MagnifierNet：面向语义对抗与融合的行人重识别
计算机视觉与模式识别
2020-05-06 v4
摘要
尽管行人重识别（ReID）近期通过强化部件对齐取得了显著进展，但在区分视觉相似身份或识别遮挡行人时仍具挑战性。在这些场景下，放大各部件特征中的细节并选择性地融合它们或可提供可行方案。本文提出MagnifierNet，一种从整体到部件准确挖掘细节的三分支网络。首先，全局分支编码整体显著特征。其次，为增强各语义区域的细节表示，设计“语义对抗分支”从训练期间动态生成的语义遮挡样本中学习。同时，我们引入“语义融合分支”通过顺序选择性融合语义区域信息来滤除无关噪声。为进一步提升特征多样性，我们提出一种新的损失函数“语义多样性损失”以去除所学语义表示间的冗余重叠。在三个基准上以较大优势取得了最先进性能。具体而言，在最具挑战性的CUHK03-L和CUHK03-D基准上mAP分数分别提升了6%和5%。
引用
@article{arxiv.2002.10979,
title = {MagnifierNet: Towards Semantic Adversary and Fusion for Person Re-identification},
author = {Yushi Lan and Yuan Liu and Maoqing Tian and Xinchi Zhou and Xuesen Zhang and Shuai Yi and Hongsheng Li},
journal= {arXiv preprint arXiv:2002.10979},
year = {2020}
}