- verification model:同时输入image pairs,network预测输入图片是否为同一个人,将问题当成一个二分类来看。这样导致没有完全用到标注信息,image pairs和数据集中的其他图片的关系被忽略了。
- identification model:将Person Re-id问题看做一个multi-class recognition task,利用数据的原始标注信息结合cross-entropy loss来训练数据。在一个batch中一起bp。其实潜在就融合了类内数据在高维空间相似和类间差异的要求。缺点是没有考虑图片对之间的相似性度量。
- 文章融合了这两种model。
- 文中提到在数据有限的时候,verification用contrastive loss会导致过拟合,所以文中采用了cross-entropy。dropout不能被用于contrastive loss前的embedding,而由于本文的loss是cross-entropy,所以采用了dropout。
网络用2个权值共享的CaffeNet同时预测2张输入图片的label,将预训练网络的最后一个FC换成卷积层,对于Market-1501用751个1*1*4096的卷积核进行卷积操作,再连接一层softmax进行输出归一化,对2个identification部分用cross-entropy loss。对于verification部分,直接在CaffeN
【Person Re-id】A Discriminatively Learned CNN Embedding for Person Re-identification
最新推荐文章于 2024-07-01 23:10:34 发布
该博客探讨了行人重识别(Person Re-id)问题,通过结合verification和identification模型来改进方法。verification模型关注二分类任务,而identification模型利用交叉熵损失处理多类别识别。在数据有限的情况下,文章指出使用对比损失可能导致过拟合,因此选择了交叉熵损失,并且在模型中应用dropout。网络结构包括两个共享权重的CaffeNet,分别用于两个input图片的label预测,以及一个用于verification的Square Layer和卷积层。网络通过三个交叉熵损失进行参数训练,以平衡类内相似性和类间差异。
摘要由CSDN通过智能技术生成