科研之友
微信
新浪微博
Facebook
分享链接
摘要
对于开集测试协议行人再辨识问题的研究,我们希望在某种距离度量目标函数的优化下,使学习到的行人特征满足类内最大距离越来越小,同时类间最小距离越来越大.然而,目前所存在的算法行人特征的判别性较低.本文将基于siamese模型的卷积神经网络用于行人再辨识的研究,该网络在分类与验证损失函数的联合监督下,可以学习出更具判别性的行人特征.其中,分类损失函数使学习到的行人特征具备分辨性,而验证损失函数的作用是在拉大类间特征距离的同时减小类内特征间的距离,使学习到的行人特征具备辨别性.除此之外,我们在验证损失函数之前设计一个特征重加权层.该层将特征维度的尺度与相关性考虑进去对每一维进行重新加权,且权值矩阵在网络训练过程中自动更新.同时,我们为该层的权值矩阵施加一个约束,以提高行人特征的泛化能力.最后在几个行人再辨识数据集上的实验表明我们模型与特征重加权层的优越性.
- 单位
