Feature Mask Network for Person Re-identification

Feature Mask Network for Person Re-identification

论文：Let Features Decide for Themselves: Feature Mask Network for Person
Re-identification，cvpr,2018.

链接：paper

代码：github

摘要

虽然大多数方法侧重于学习特征和度量以获得更好的表示，但我们假设局部和全局上下文线索对于准确的身份匹配至关重要。为此文中提出了一种特征掩码网络(FMN)，利用ResNet高级特征来预测特征映射掩码，然后将其施加到低级特征上，以动态地重新加权不同的对象部分来实现本地感知的特征表示。这是一种有效的注意力机制，允许网络选择性地把注意力集中在局部细节。给定人的再识别与分类和检索任务的相似性，我们将网络训练框架化为多任务目标优化，进一步改进了学习到的特征描述。我们在Market-1501、DukeMTMC-reID和CUHK03数据集上进行了实验，其中所提出的方法在mAP测量方面相对于现有技术分别实现了5.3%、9.1%和10.7%的显著改进。

Introduction

目前行人重识别问题可分为两大主流：1）研究有区分性的度量方法；2）设计网络来得到有区分性的鲁棒特征表示。在文中提出了一种自动的方法，使用神经网络学习注意力集中在局部细节特征和全局图像描述上的，这有助于算法过滤掉一些不相关的图像部分，并集中关注更有价值的区分性的线索的区域。我们利用已经学习的全局鉴别特征作为指导和动态选择机制来为局部特征表示分配不同的重要性权重。

本文主要贡献如下：

• 提出了一种特征掩码网络(FMN)，它可以动态地处理图像中的局部细节，并将其与全局表示一起使用，以改进行人的重新识别。
• 提出了一个多任务公式，它优化了分类和成对排序损失，以学习高度鲁棒的特征描述。
• 所提出的方法易于实现，训练效率高，同时在所有三个基准数据集上的性能始终优于state-of-art方法。

网络结构

该方法基于这样一个命题，即一个成功的人再识别系统需要重视行人的全局和局部辨别方面，行人的图像是使用多个监控摄像机从不同的视角获取的。为此，引入了一种新的基于CNN的深度学习架构，该架构学习关注一个人的全局和局部线索，这些线索有助于对其进行重新识别。网络结构如下：