Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training
当前的问题及概述:
大多数现有的方法高度依赖bounding box,然而,由于实际场景的限制,目前的检测模型往往产生不准确的bounding box,进而避免了算法的性能。
本文提出了一种新的由粗到细的金字塔模型,该模型不仅融合了局部信息和全局信息,而且还强化了局部信息和全局信息之间的线索,避免了bounding box的不准确性带来的影响。可以从下图看到,由于bounding box的遮挡问题,可以将图片进行不等分的划分,在下图从local到global的过程中,少量的局部视图(左)不能很好地匹配,而那些全局视图(右)有更多相似的线索。
模型及loss:
2.1Coarse-to-Fine Pyramidal Model :
首先由backbone提取输入图像的feature map(C×H×W),再将feature map按照空间高度轴分为n个部分(C×(H/n)×w),本文n=6,金子特最底层(l=1)为n个部分,最顶层(l=n)为feature map M&#x
2018 CVPR:Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training
最新推荐文章于 2023-01-10 09:47:54 发布
该研究提出了一个金字塔模型,通过结合局部和全局信息来解决行人重识别中由于bounding box不准确导致的问题。采用多损失动态训练策略,利用GAP和GMP增强特征表示,结合triplet loss和softmax loss提高识别性能。实验在Market-1501, DukeMTMC-reID, CUHK03数据集上展示了优越性能。"
50575493,5516847,C语言实现:计算二叉树高度,"['数据结构', '算法', '二叉树']
摘要由CSDN通过智能技术生成