【论文笔记】DEEP JOINT DISCRIMINATIVE LEARNING FOR VEHICLE REID（车辆重识别的深度联合判别学习）

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