Patch-based Discriminative Feature Learning for Unsupervised Person Re-identification
当前的问题及概述:
虽然针对差异性局部特征对ReID任务是有效的,但它们仅限于成对的被标记数据大间隙上进行训练,但在其他小间隙的不相似部分获取起来成本较大。如下图:
本文提出了一个基于patch的无监督学习框架来克服这个问题,以便从patch而不是整个图像中学习识别特征,大大减少了计算复杂度和成本。
模型及loss:
本文提出的PatchNet主要由一个backbone和一个patch generation network (PGN)组成。首先使用随机图像转换生成正样本,接下来,用patch generation network (PGN)为每个feature map生成M个patch,该网络可以分为3个部分,分别是localization network (LN)、patch sampling grid和sampler。最后通过patch-based discriminative feature learning loss (PEDAL)将拉近相似的patch,分开不同的patch通过image-level patch feature learning loss (IPFL)将拉近正样本,分开负样本。
2.1Patch Generation Network :
首先,LN由一个卷积层和两个全连接层组成。 LN输
2019 CVPR:Patch-based Discriminative Feature Learning for Unsupervised Person Re-identification
最新推荐文章于 2024-04-15 09:48:59 发布