Deep Ranking for Person Re-identification via Joint Representation Learning
簡介
本文提出了一個統一的framework,同時最大化特征和Metric的優勢。其實這并不是新的思想,然而作者的創新在于:
(1)強調Joint representation,將兩張Images拼成一張輸入,force網絡學習判別特征,并在后面的實驗中驗證這種聯合表示的優勢;
(2)不同于以往的得到的是單張圖片的feature,測試需要求probe 和gallery 間的Euclidean 和cosine,他們輸出的直接是圖片間的相似度;
(3)本文的最大創新,應當是提出了一個learning-to-rank的算法,如果正匹配排在了最前面則不產生loss,排的越靠后loss越大。若rank unit中,只有一個負sample的話,本質上就成為了傳統的triplet loss。作者最后實驗中采用了1:2的正負比例進行訓練。
(4)本文的看點:
a.采用了Alexnet的網絡架構,對于該網絡架構的分析值得一看(如:max-pooling增強對小變化的魯棒性,pooling后的LRN幫助產生對光照和對比度魯棒的特征;Dropout減少過擬合);
Alexnet:
http://blog.csdn.net/sunbaigui/article/details/39938097
b.實驗分析:一方面和state-of-art methods, cnn-based比,還評估了在open-world和across datasets的性能;另一方面是自我分析。
##筆記
E:\CSDN\joint_rank
總結
以上是生活随笔為你收集整理的Deep Ranking for Person Re-identification via Joint Representation Learning的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 用variance和bias解释其ove
- 下一篇: 用cmake编译caffe