【Person Re-ID】Deep Representation Learning with Part Loss for Person Re-Identification

最新推荐文章于 2024-06-06 15:54:12 发布

q295684174

最新推荐文章于 2024-06-06 15:54:12 发布

阅读量2k

点赞数 2

分类专栏： Person Re-ID 文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/q295684174/article/details/78968269

版权

论文提出PL-net，通过部分损失学习增强行人重识别能力。针对测试集中未出现过的行人，PL-net自动分割图像成多个部分并计算每个部分的分类损失，改善传统方法对头部、上半身等部位的忽视。网络结构包含全局和部分损失，测试时结合全局和局部特征进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

paper下载地址：https://arxiv.org/abs/1707.00798

Introduction

Person Re-ID需要解决什么问题？
测试集中的人在训练集中是不可见的，因此需要学习到的描述子有足够的可分性。

目前大多数表征学习方法的目的是最小化训练集的分类损失，这与Re-ID任务不同。表征学习方法更多的关注于人体的躯干部分，而忽略其他部分。对于不同的人，其他部分诸如头部，上半身体依然是意义的。基于此，作者提出了PL-net（part loss networks），它自动将一副图像分成K个parts，然后分别计算每个parts的分类损失。