用于行人重识别的全尺度特征学习
计算机视觉与模式识别
2019-12-19 v6
摘要
作为一个实例级识别问题，行人重识别依赖于判别性特征，这些特征不仅捕获不同的空间尺度，还封装了多个尺度的任意组合。我们将同质和异质尺度的特征称为全尺度特征。本文设计了一种新颖的深度 ReID CNN，称为全尺度网络，用于全尺度特征学习。这是通过设计一个由多个卷积流组成的残差块来实现的，每个卷积流检测特定尺度的特征。重要的是，引入了一种新颖的统一聚合门，以依赖于输入的通道权重动态融合多尺度特征。为了高效学习空间-通道相关性并避免过拟合，该构建块使用了逐点卷积和深度卷积。通过逐层堆叠此类块，我们的 OSNet 极其轻量级，并且可以在现有的 ReID 基准上从头开始训练。尽管模型尺寸很小，OSNet 在六个行人 ReID 数据集上取得了 SOTA 性能，优于大多数大尺寸模型，且通常有明显优势。代码和模型可在以下网址获取：\url{https://github.com/KaiyangZhou/deep-person-reid}。
引用
@article{arxiv.1905.00953,
title = {Omni-Scale Feature Learning for Person Re-Identification},
author = {Kaiyang Zhou and Yongxin Yang and Andrea Cavallaro and Tao Xiang},
journal= {arXiv preprint arXiv:1905.00953},
year = {2019}
}
备注
ICCV 2019; This version adds additional training recipes for practitioners