SVDNet是基于Resnet-50的改进网络，通过在最后一层全连接层前添加Eigenlayer并进行SVD分解，解决特征相关性问题以适应Person Re-ID中的欧式距离衡量。训练过程包括RRI（Restraint and Relaxation Iteration），确保权重向量正交。实验表明，SVDNet虽有创新，但在实际应用中可能并非必需，简单的网络调整也可实现相似效果。
paper下载地址：https://arxiv.org/abs/1703.05693
code下载地址：https://github.com/syfafterzy/SVDNet-for-Pedestrian-Retrieval
网络结构
作者所采用的基础网络为resnet-50，在最后一个全连接层的前面加了一个Eigenlayer，其实就是一个全连接层，只不过对参数做了SVD分解，因此称为SVDNet。
对全连接层做SVD分解的原因是：全连接层是以向量内积形式进行特征的相似性度量或者说分类，全连接层的权重之间存在相关性的，学出来的特征也是有相关性的，而在Person Re-ID的普遍测试中是以欧式距离进行相似性度量的，因此存在一定的误差。
训练过程
step0：用加了全连接层的resnet-50在之前训好的resnet-50上进行fine-tune直至收敛。
Restraint and Relaxation Iteration (RRI)：
- 去相关：将新加的全连接层的权重进行SVD分解
W=US
- 去相关：将新加的全连接层的权重进行SVD分解
最低0.47元/天 解锁文章
扫一扫
363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
