End-to-end comparative attention networks for person re-identification

该论文介绍了端到端比较注意力网络用于行人重识别的方法。网络基于截断的预训练VGG Net,通过多任务损失函数进行优化,包括三元损失和分类的softmax损失。注意力分支共享参数,利用LSTM单元生成注意力图,选择关键区域。目前存在的疑问是如何处理不同图片的关注区域差异。引用自Liu等人2017年的IEEE Transactions on Image Processing论文。
摘要由CSDN通过智能技术生成

End-to-end comparative attention networks for person re-identification

该论文中简单的总结一下关于attention的部分

整体网络架构如下:

在这里插入图片描述
CNN部分采用截断的预训练VGG Net,去除最后三层全连接层,得到特征X
H为网络的输出向量(具体如何得到,后文有解释)
注意网络分支共享参数
使用端到端的学习方式,优化下面提到的多任务loss函数
多重任务loss函数:
三元loss函数:
在这里插入图片描述
在这里插入图片描述
分类的softmax loss函数:
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值