[PersonReID] Part-Aligned Representations for Person Re-Identification

本文深入解析ICCV2017论文《Deeply-Learned Part-Aligned Representations for Person Re-Identification》,详细介绍了一种用于人物重识别的深度学习方法。该方法利用Inception网络提取特征,并通过部分对齐表示学习提高识别精度。文章对比了FCN、AlexNet及GoogLeNet在网络结构上的应用,展示了如何通过部分网络和池化层提升模型性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

ICCV2017 paper: Deeply-Learned Part-Aligned Representations for Person Re-Identification
code
caffe 网络结构代码
caffe网络结构可视化

论文中的网络结构

在这里插入图片描述
拿出inception的最后一个卷积层的feature map的输出:( w ,h ,512)
1.输入feature map ,用1x1的卷积,8个通道,生成8个和feature map同样大小的part map。 (w,h,8),
2.将8个part map和feature map进行element-wise multiplication。
3.8个通道分别进行全局平均的pooling
4.分别经过线性层 512–>64
5.8个feature进行concat,64*8
6.对拼接的feature进行l2 normalization

caffe网络结构

base model 就是inception,文中说用了FCN,AlexNet,以及 googlenet ,图片太长就不放了

在这里插入图片描述

part net 和FC 以及pooling的对比

卷积层的最后一层feature map 分别送入FC 和pooling,和送入part net进行了对比
在这里插入图片描述在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值