Re-ID阅读笔记(一)：《Deeply-Learned Part-Aligned Representations for Person Re-Identification》

最新推荐文章于 2020-03-27 14:51:09 发布

麻瓜藤之父

最新推荐文章于 2020-03-27 14:51:09 发布

阅读量4.2k

点赞数 4

分类专栏：论文笔记 Re-ID 文章标签：深度学习 Re-ID 行人重识别 ICCV2017 计算机视觉

本文链接：https://blog.youkuaiyun.com/qq_34374211/article/details/79627914

版权

该博客介绍了行人重识别（Re-ID）领域的深度学习方法，特别是《Deeply-Learned Part-Aligned Representations for Person Re-Identification》论文中的创新点。通过深度网络学习人体部分对齐的特征表示，增强了模型对姿态变化的鲁棒性，解决了全局和局部特征表示的局限性。论文提出了使用Triplet损失函数的区域分割策略，改善了行人特征的稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

水平有限，疏漏之处在所难免，欢迎大家批评指正

论文作者: 浙江大学赵黎明博士等

博客作者：LJW

论文链接： ICCV2017《Deeply-Learned Part-Aligned Representations for Person Re-Identification》

Github代码：here

摘要：

针对行人重识别中人体错位的问题，本文提出一种人体区域对齐的方法，训练好的深度网络将人体分解成几个有区分力的区域（这些区域不是手动分割的，而是模型觉得比较有区分力的区域），然后计算各个区域的特征向量，再将各个区域的向量连接，得到整个人的特征向量表示。两张图片可得到两个特征向量，再计算它们的欧氏距离，得到相似性，即可分辨这两个人是否是同一个人。损失函数为Facenet中提出的Triplet损失。与大多数现有的深度学习算法学习Global Feature或空间分区学习Local Feature表示不同，作者的方法进行人体区域分割，因此更具鲁棒性，可以适应各种人体空间分布。