面向行人重识别的排序与分类驱动特征学习
计算机视觉与模式识别
2019-12-30 v1
摘要
行人重识别因其广泛应用而吸引了众多研究者的关注，但由于仅能利用图像的部分信息进行人员匹配，其仍是一项极具挑战性的任务。当前大多数方法使用 CNN 学习能够捕捉数据点间语义相似性信息的嵌入表示。许多先进方法采用具有多分支的复杂网络结构，在训练或测试时融合多种特征，并使用分类损失、Triplet 损失或两者组合作为损失函数。然而，使用 Triplet 损失作为损失函数收敛缓慢，而将同类特征在特征空间中尽可能拉近的方法导致特征稳定性差。本文结合排序驱动的结构化损失，提出了一种新的度量学习损失函数，使同类特征稀疏分布于小超球体范围内，不同类特征以明确角度均匀分布。并采用一种新的单分支网络结构，仅使用全局特征也能取得优异性能。我们的方法在 Market1501 和 DukeMTMC-ReID 行人重识别数据集上验证了有效性。最终在 DukeMTMC-reID 上取得 90.9% 的 rank-1 准确率和 80.8% 的 mAP，在 Market1501 上取得 95.3% 的 rank-1 准确率和 88.7% 的 mAP。代码和模型已在 Github 上提供：https://github.com/Qidian213/Ranked_Person_ReID。
引用
@article{arxiv.1912.11630,
title = {Ranking and Classification driven Feature Learning for Person Re_identification},
author = {Zhiguang Zhang},
journal= {arXiv preprint arXiv:1912.11630},
year = {2019}
}
备注
5 pages