面向高效行人重识别的渐进学习算法
计算机视觉与模式识别
2020-11-25 v2 机器学习
摘要
本文研究面向大规模应用的行人重识别（ReID）问题。近期研究致力于构建复杂的部件模型，其引入了相当高的计算成本与内存消耗，阻碍了其在大规模应用中的实用性。本文旨在开发一种新颖的学习策略，以寻找高效的特征嵌入，同时保持精度与模型复杂度的平衡。更具体地，我们发现通过增强经典三元组损失与交叉熵损失，我们的方法能够挖掘困难样本并构建判别性特征嵌入，且紧凑到足以用于大规模应用。我们的方法利用贝叶斯优化渐进式执行，称之为渐进学习算法（PLA）。在三个大规模数据集上的大量实验表明，我们的 PLA 可与最先进方法媲美或更优。尤其在具挑战性的 Market-1501 数据集上，我们取得 Rank-1=94.7%/mAP=89.4%，同时比强部件模型至少节省 30% 参数。
引用
@article{arxiv.1912.07447,
title = {Progressive Learning Algorithm for Efficient Person Re-Identification},
author = {Zhen Li and Hanyang Shao and Nian Xue and Liang Niu and LiangLiang Cao},
journal= {arXiv preprint arXiv:1912.07447},
year = {2020}
}
备注
ICPR2020