基于改进损失函数的多阶段行人属性识别方法
一、 摘要
文中基于深度学习理论提出多阶段行人属性识别方法,同时探索属性间的正、负相关性。
二、网络结构
三、算法流程
第一阶段
第一阶段将网络最后一个全连接层的输出神经元个数修改为行人属性的数目,网络的其它层仍然保持原有结构,将最后一层全连接层的输出作为sigmoid 激活函数的输入,经此激活函数输出每个属性的预测值。
每个小批次中的每个属性产生的平均损失值:
每个属性的分类精度:
平均损失值:
平均精度:
平均损失值和平均精度作为第一阶段每个属性学习状态的两个指标,并为2个指标设置对应的阈t c _c c和t a _a a 。然后把属性分成两组,平均损失值小于tc 且平均精度大于t a _a a