物体的外观由于角度的变换是经常变化的,作者也和我一样考虑到了车辆重识别里面的角度问题
看完全文:知道了两个知识点:
1. UMPA projection 类似于 t-SNE 是一种降维技术 ,并且是 t-SNE 的升级
2. 作者使用了GMS 进行数据关系挖掘 GMS 是一种特征匹配算法
作者的改进就是 对三元组挖掘策略进行改进,在选取三元组样本的构成上进行了改进
作者提出一种特征指导的三元组挖掘策略
作者认为原始的三元组挖掘策略是 ill-conditioned 因为没有考虑到自然的分组
在介绍创新点这一部分,也就是第四章,作者与 hard-negative mining 和 semi-hard negative mining 进行了对比。
作者认为让同一个 ID 的车辆的 front 和 rear 构成一个正样本对是反直觉的 ?????
个人认为不存在问题,因为神经网络的思考方式真的和人一样吗? 同时记忆车的 front 和 rear 个人认为不存在问题。
这是一篇 21年10月份的文章,非常的新,作者说 GMS 是一个 modern feature matcher 但是 GMS 是17年的顶会论文,不过确实是第一次用到重识别进行一个基于特征一致性的挖掘。
使用 GMS 可以对不同的 positive 样本进行局部块的匹配
作者的对比实验,与简单的只使用 resnet50 进行了对比
作者使用 rerank 涨了7个点??在veri数据集上