作者：西安交大的De Cheng, Yihong Gong, Sanping Zhou, Jinjun Wang, Nanning Zheng

主要貢獻(xiàn)：

貢獻(xiàn)有兩個(gè)，一個(gè)是改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)，一個(gè)是改進(jìn)的triplet loss.

網(wǎng)絡(luò)結(jié)構(gòu)：

該網(wǎng)絡(luò)結(jié)構(gòu)一共有5個(gè)channels，其中一個(gè)是整個(gè)身體的channel，其他四個(gè)對(duì)應(yīng)四個(gè)parts的channels。
其中：
full-body channel: global convolution layer（7\times 7 \times 32 \/3）+max-pooling(3\times 3)+fulll-body convolution layer(5\times 5)+max-pooling(3\times 3)+full-connection layer(400d)
body part channel:
1\frac 4 global convolution layer+body-part convolution layer(3\times 3)+full-connection layer(100d)
最后串聯(lián)在一起，一共800維。

improved loss

除了關(guān)注類內(nèi)和類間的分離度，也關(guān)注類內(nèi)的緊密性。

實(shí)驗(yàn)

數(shù)據(jù)集
在四個(gè)數(shù)據(jù)集上測(cè)試：
i-LIDS
PRID2011
VIPeR
CUHK01

1、評(píng)估網(wǎng)絡(luò)結(jié)構(gòu)和改進(jìn)loss的性能

四個(gè)Variants
variant 1(oursT): 移除4個(gè)body-part channels+ original loss
variant 2(oursTC):移除4個(gè)body-part channels+improved loss
variant 3(oursTP): multi-channel CNN+ original loss
variant 4(oursTPC):multi-channel CNN+improved loss
在四個(gè)數(shù)據(jù)集上的評(píng)估結(jié)果

2.loss function中beta值對(duì)結(jié)果的影響

3. 不同身體部分對(duì)結(jié)果的影響

model: 一個(gè)full-body channel + 一個(gè)body part channel.

4.可視化每個(gè)卷積層學(xué)習(xí)到的特征

總結(jié)

以上是生活随笔為你收集整理的Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。