基于三元组的深度相似性学习用于行人重识别
计算机视觉与模式识别
2018-02-12 v1
摘要
近年来，行人重识别(re-id)在计算机视觉界与工业界均引起极大关注。本文提出一种用于行人重识别的新框架，采用基于三元组的深度相似性学习并使用卷积神经网络(CNNs)。该网络以三元组输入进行训练：其中两个具有相同类标签，另一个不同。其旨在学习深度特征表示，使同类内距离减小，而不同类间距离尽可能增大。此外，我们在六个不同数据集上联合训练模型，这不同于通常做法——一个模型仅在一个数据集上训练并也在同一数据集上测试。然而，大量训练样本间可能的三元组数据数目巨大，使训练难以进行。为应对此挑战，提出一种双重采样方案以尽可能有效地生成图像三元组。所提框架在多个基准数据集上评估。实验结果表明，我们的方法对行人重识别任务有效，且可与最先进(state-of-the-art)方法相媲美甚至优于之。
引用
@article{arxiv.1802.03254,
title = {Triplet-based Deep Similarity Learning for Person Re-Identification},
author = {Wentong Liao and Michael Ying Yang and Ni Zhan and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:1802.03254},
year = {2018}
}
备注
ICCV Workshops 2017