簡介

本文提出了一個統(tǒng)一的framework，同時最大化特征和Metric的優(yōu)勢。其實這并不是新的思想，然而作者的創(chuàng)新在于：
（1）強(qiáng)調(diào)Joint representation，將兩張Images拼成一張輸入，force網(wǎng)絡(luò)學(xué)習(xí)判別特征，并在后面的實驗中驗證這種聯(lián)合表示的優(yōu)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(chuàng)新，應(yīng)當(dāng)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(chǎn)生loss，排的越靠后loss越大。若rank unit中，只有一個負(fù)sample的話，本質(zhì)上就成為了傳統(tǒng)的triplet loss。作者最后實驗中采用了1:2的正負(fù)比例進(jìn)行訓(xùn)練。
（4）本文的看點(diǎn)：
a.采用了Alexnet的網(wǎng)絡(luò)架構(gòu)，對于該網(wǎng)絡(luò)架構(gòu)的分析值得一看（如：max-pooling增強(qiáng)對小變化的魯棒性，pooling后的LRN幫助產(chǎn)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(jié)

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(nèi)容，希望文章能夠幫你解決所遇到的問題。

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