摘要
本文提出一种DJDL模型,使用deep CNN,能够结合多种不同的任务:车辆身份识别,属性识别,verification认证任务,triplet三元组任务。整个网络通过一种特殊的batch组成联合优化。
1.介绍
车辆身份识别和属性识别主要关注个体样例,挖掘它们独有的特性。
认证任务主要是为了限制两个样例之间的关系。(如果是同一身份,最小化距离)。
triplet三元组任务主要是为了限制三个输入样例的相对距离。
同时提出了一种有效的batch组成,联合优化四个目标函数。
2.深度联合判别学习(方法)
网络架构如上图所示
2.1网络架构
基础网络是一个deep CNN,如Iception-BN,VGG,Resnet.在imagenet上预训练。
Verification输入2个图像,Triplet输入3个图像,
Identification,Attribute recognition输入1个图像。
使用同一个Deep CNN进行特征抽取。
2.2 身份和属性识别
通过L2正则化层进行特征抽取,再加入一层m*n的(m代表特征维度,n代表训练身份数量)全连接层来完成Identification,Attribute recognition两个任务。对于卷积识别(recognition)方法,使用如下softmax loss(对