Person Re-Identification by Deep Learning Multi-Scale Representations 论文笔记
一、提出问题
现有的re-id方法主要依赖于单一尺度的外观信息,但是这不仅会忽略了其他不同尺度的潜在有用的显性信息,而且还失去了跨尺度挖掘隐式相关互补的优势。
- 在不同尺度上的特征学习可能不同甚至相互不一致,因此多尺度的直接特征连接不可能导致最优特征融合;
- 不同特征金字塔等级之间的任何互补关系是未知的,并且对于不同的图像可能不是恒定的,因此必须在数据之间协同地学习和优化;
- 行人在开放式监视场景中可以以任意比例(未知)出现。
二、论文贡献
- 研究了re-id的多尺度特征学习问题;
- 提出一种新颖的深层金字塔特征学习(DPFL)设计,不仅通过同时优化同一人标签信息上的多个分类损失函数来学习规模特定的判别特征,而且还通过闭环形式的多尺度一致正则化来最大化联合多尺度互补融合特征选择。该设计通过金字塔中的层间特征交互克服了跨尺度特征学习差异,同时在小批量训练迭代中实现累积的多尺度互补特征选择。
三、多尺度行人重识别
3. 1 问题描述
目标:在没有任何度量变换的情况下学习基于通用距离(例如,L1,L2)的行人重识别的深度特征表示模型。
训练集,标签
,同一个人的不同图像
,