【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)

这里写图片描述
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

### 联合判别性和生成性学习方法在人物重识别中的应用 #### 定义与背景 联合判别性和生成性学习Joint Discriminative and Generative Learning, JDGL)是一种融合了两种不同机器学习范式的框架,在计算机视觉领域特别是人物重识别方面取得了显著进展。该方法旨在通过结合生成模型的强大表示能力和判别模型的有效分类能力来提升性能。 #### CVPR 2021论文贡献 具体而言,一篇发表于CVPR 2021的研究提出了名为GCL的方法[GCL][^1],它不仅利用对比损失函数增强了特征空间内的样本区分度,还引入了一个对抗性的生成网络用于模拟目标域的数据分布。这种方法有效地解决了无监督场景下源域和目标域之间存在的差异问题,从而提高了跨域的人物重识别精度。 ```python import torch.nn as nn class Generator(nn.Module): def __init__(self): super(Generator, self).__init__() # Define generator architecture here def forward(self, x): return generated_image class Classifier(nn.Module): def __init__(self): super(Classifier, self).__init__() # Define classifier architecture here def forward(self, x): return logits ``` 上述代码展示了如何定义一个简单的生成器和分类器结构,这是实现JDGL的关键组件之一。实际应用中这些模块会更加复杂,并且需要精心设计以适应特定的任务需求。 #### 实验设置与结果分析 实验部分采用了预训练过的ResNet50作为骨干网,并在多个公开可用的人像数据集上进行了测试,包括但不限于Market-1501、DukeMTMC-reID以及MSMT17等。结果显示,相比于传统的仅依赖单一类型的模型,这种混合策略能够带来更优的结果。 #### 深入探讨 除了技术细节外,值得注意的是这类研究往往涉及到复杂的理论推导和技术挑战,比如如何平衡两个子任务之间的权重分配;怎样防止模式崩溃现象的发生等问题都需要深入考虑并解决。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值