Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-Identification
当前的问题及概述:
在Re-ID任务中,人物间较小的差异需要模型来捕获足够细粒度的特性。
基于此,1,本文通过CAM扩展了baseline重建模型的激活范围,以探索丰富的视觉线索。2,提出了一种Overlapped Activation Penalty方法,使当前分支对先前分支激活较少的图像区域给予更多的关注,从而消除空间上的各种视觉特征。3,还提出了一种可视化的排序激活图(RAM)来明确解释测试阶段的排序结果,从而对该方法进行了定性验证。下图展示了CAM和RAM的可视化效果,类似attention的可视化结果,可以看到本文提出的CAM较baseline有了更多的视觉线索和显著区域。
模型及loss:
CAMA network
2.1Baseline Model :
由图可以看到特征F通过GAP,BN,FC得到分类得分S,其中,F(x, y) = BN(T(x, y)):
2019 CVPR之ReID:Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-
最新推荐文章于 2022-10-20 14:45:34 发布
本文探讨了在人物重识别(Re-ID)任务中如何利用类激活映射(CAM)来发现更丰富的视觉特征。提出了CAMA网络,包含基线模型、重叠激活惩罚和排序激活图(RAM)。通过Overlapped Activation Penalty促使不同分支关注不同的图像区域,减少特征重叠。实验结果表明,这种方法能够有效地突出显示人物ID的细粒度差异,并在多个数据集上进行了验证。
摘要由CSDN通过智能技术生成