基于多损失分类深度联合学习的行人重识别
计算机视觉与模式识别
2017-05-24 v2 人工智能
摘要
现有的行人重识别（re-id）方法主要仅依赖于局部或全局特征表示之一。这忽略了它们的联合益处和相互互补效应。在这项工作中，我们展示了在卷积神经网络（CNN）中联合学习局部和全局特征的优势，旨在发现不同上下文中的相关局部和全局特征。具体而言，我们提出了一种局部和全局特征选择损失的联合学习方法，旨在仅使用诸如 L2 距离之类的通用匹配度量时优化行人重识别。我们设计了一种新颖的 CNN 架构，用于局部和全局判别特征优化的联合多损失（JLML）学习，同时受制于相同的重识别标注信息。广泛的比较评估证明了这一新 JLML 模型在五个基准数据集（VIPeR、GRID、CUHK01、CUHK03、Market-1501）上相对于广泛的最先进重识别方法的优势。
引用
@article{arxiv.1705.04724,
title = {Person Re-Identification by Deep Joint Learning of Multi-Loss Classification},
author = {Wei Li and Xiatian Zhu and Shaogang Gong},
journal= {arXiv preprint arXiv:1705.04724},
year = {2017}
}
备注
Accepted by IJCAI 2017