面向行人重识别的有效CNN基线模型构建的良好实践
计算机视觉与模式识别
2018-07-31 v1
摘要
由于人体姿态变化、人体遮挡、相机视角变化等关键问题，行人重识别确实是一项具有挑战性的视觉识别任务。为此，大多数最先进的方法基于深度卷积神经网络（CNN）提出，借助其强大的特征学习能力和分类边界拟合能力。尽管CNN对行人重识别起着至关重要的作用，如何构建有效的CNN基线模型尚未得到充分研究。为回答这一开放问题，本文从调整CNN架构和训练过程的角度提出了3项良好实践。具体而言，它们分别为在全局池化层后添加批量归一化、仅使用一个全连接层直接执行身份分类，以及使用Adam作为优化器。在3个广泛使用的基准数据集上的大量实验表明，我们的提议本质上促使CNN基线模型在无需任何其他高层领域知识或低层技术技巧的情况下达到最先进的性能。
引用
@article{arxiv.1807.11042,
title = {Towards Good Practices on Building Effective CNN Baseline Model for Person Re-identification},
author = {Fu Xiong and Yang Xiao and Zhiguo Cao and Kaicheng Gong and Zhiwen Fang and Joey Tianyi Zhou},
journal= {arXiv preprint arXiv:1807.11042},
year = {2018}
}