用于行人重识别的多区域双线性卷积神经网络
计算机视觉与模式识别
2017-09-07 v5
摘要
在这项工作中，我们提出了一种用于行人重识别的新架构。由于重识别任务固有地与嵌入学习和非刚性外观描述相关联，我们的架构基于最近提出的用于高度非刚性物体细粒度分类的深度双线性卷积网络（Bilinear-CNN）。虽然原始Bilinear-CNN架构的最后阶段通过执行无序池化完全将几何信息排除在考虑之外，但我们观察到，通过以更局部的方式执行双线性池化（每个池化局限于预定义区域）可以学习到更好的嵌入。因此，我们的架构代表了传统卷积网络与双线性CNN之间的折衷，并在刚性匹配与完全忽略空间信息之间取得了平衡。我们在三个流行基准数据集（Market-1501、CUHK01、CUHK03）上对新架构进行了实验验证，将其与包括Bilinear-CNN以及现有技术的基线进行比较。新架构在所有三个数据集上均优于基线，并且在三个中的两个上表现优于最先进水平。该方法的代码和预训练模型可在 https://github.com/madkn/MultiregionBilinearCNN-ReId 找到。
引用
@article{arxiv.1512.05300,
title = {Multiregion Bilinear Convolutional Neural Networks for Person Re-Identification},
author = {Evgeniya Ustinova and Yaroslav Ganin and Victor Lempitsky},
journal= {arXiv preprint arXiv:1512.05300},
year = {2017}
}
备注
in AVSS 2017