用于行人重识别的多层级分解网络
计算机视觉与模式识别
2018-04-19 v2
摘要
有效的行人重识别（Re-ID）的关键在于在高层和低层语义级别上对行人外观的判别性和视角不变性因素进行建模。最近开发的深度 Re-ID 模型要么学习整体的单语义级别特征表示，要么需要对这些因素作为属性进行费力的人工标注。我们提出了多层级分解网络（MLFN），这是一种新颖的网络架构，无需人工标注即可将行人的视觉外观分解为多个语义级别的潜在判别性因素。MLFN 由多个堆叠的块组成。每个块包含多个因子模块，用于在特定级别上对潜在因子进行建模，以及因子选择模块，动态选择因子模块来解释每幅输入图像的内容。因子选择模块的输出还提供了一个紧凑的潜在因子描述符，作为对传统深度学习特征的补充。MLFN 在三个 Re-ID 数据集上取得了 state-of-the-art 的结果，并在通用目标分类 CIFAR-100 数据集上取得了极具竞争力的结果。
引用
@article{arxiv.1803.09132,
title = {Multi-Level Factorisation Net for Person Re-Identification},
author = {Xiaobin Chang and Timothy M. Hospedales and Tao Xiang},
journal= {arXiv preprint arXiv:1803.09132},
year = {2018}
}
备注
To Appear at CVPR2018