本文介绍了一种行人重识别的新方法——Batch Feature Erasing (BFE)，旨在解决因简单特征切分可能导致的全局特征过度关注问题。BFE通过随机擦除批量特征图的相同区域，促使网络学习更多细节特征。实验表明，BFE网络结构包括ResNet-50主干网和两个分支，能有效提高行人重识别性能。
《Batch Feature Erasing for Person Re-identification and Beyond》
原文
论文链接: https://arxiv.org/abs/1811.07130
代码链接: https://github.com/daizuozhuo/batch-feature-erasing-network
1. 解决的问题
行人重识别目前所用的方法，如PCB、MGN等，为了使网络学到更精细有区分度的特征，多数是将最后得到的Feature map 进行水平切分后分别求Loss,但是简单做水平切分可能会造成一块完整的Feature失去信息，比如背包等。所以多数研究者都做了相应的改进，所以PCB之后加上了RPP把没有切分好的feature重新划分，需要进行两阶段的训练。而MGN的则是用了一个比较复杂包含多种切分的方法的网路，切两次，切三次，最后把这些feature融合起来。
切分feature map的本质是什么？ 本质上就是为了不让网络太关注于那些太显而易见的全局特征。因为行人重识别是一个zero shot learning的问题，就是说训练中的人和测试中的人是不同的人，而且主流的行人数据集都较小，容易过拟合, 导致这些在训练的时候表现很好的全局特征在测试的时候反而达不到最好的效果。那么除了这样水平切分特征
最低0.47元/天 解锁文章
2312
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
