学习后验与先验用于行人重识别中的不确定性建模
计算机视觉与模式识别
2020-07-20 v1
摘要
实际行人重识别中的数据不确定性无处不在，因此不仅需要学习判别性特征，还需基于输入对不确定性进行建模。本文提出在潜空间中学习样本后验与类先验分布，使模型不仅能构建代表性特征，也能建立不确定性。先验反映同一类所有数据的分布，是可训练的模型参数；而后验是单个样本的概率密度，因此实际上是定义在输入上的特征。我们假设二者均呈高斯形式。为同时建模，我们提出一种分布损失，以监督学习方式度量后验到先验的 KL 散度。此外，我们假设本质上为不确定性的后验方差应具有二阶特性，因而提出 net，通过其输入的高阶表示来计算该方差。在 Market1501、DukeMTMC、MARS 及含噪声数据集上也进行了大量实验。
引用
@article{arxiv.2007.08785,
title = {Learning Posterior and Prior for Uncertainty Modeling in Person Re-Identification},
author = {Yan Zhang and Zhilin Zheng and Binyu He and Li Sun},
journal= {arXiv preprint arXiv:2007.08785},
year = {2020}
}