2018 CVPR：Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training

用GAN得有GPU

于 2020-05-12 17:06:13 发布

阅读量861

点赞数

分类专栏： ReID 单模态文章标签：算法计算机视觉深度学习

本文链接：https://blog.youkuaiyun.com/qq_41967539/article/details/106080331

版权

该研究提出了一个金字塔模型，通过结合局部和全局信息来解决行人重识别中由于bounding box不准确导致的问题。采用多损失动态训练策略，利用GAP和GMP增强特征表示，结合triplet loss和softmax loss提高识别性能。实验在Market-1501, DukeMTMC-reID, CUHK03数据集上展示了优越性能。" 50575493,5516847,C语言实现：计算二叉树高度,"['数据结构', '算法', '二叉树']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training
当前的问题及概述：
大多数现有的方法高度依赖bounding box,然而，由于实际场景的限制，目前的检测模型往往产生不准确的bounding box，进而避免了算法的性能。
本文提出了一种新的由粗到细的金字塔模型，该模型不仅融合了局部信息和全局信息，而且还强化了局部信息和全局信息之间的线索，避免了bounding box的不准确性带来的影响。可以从下图看到，由于bounding box的遮挡问题，可以将图片进行不等分的划分，在下图从local到global的过程中，少量的局部视图(左)不能很好地匹配，而那些全局视图(右)有更多相似的线索。
在这里插入图片描述
模型及loss：
2.1Coarse-to-Fine Pyramidal Model ：

首先由backbone提取输入图像的feature map（C×H×W），再将feature map按照空间高度轴分为n个部分（C×(H/n)×w），本文n=6，金子特最底层（l=1）为n个部分，最顶层（l=n）为feature map M&#x

最低0.47元/天解锁文章