DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification
DeepReID: Deep Filter Pairing Neural Network for Person Re-Identification
Abstract:本文提出了filter pairing neural network(FPNN)來處理re-ID數據中的人物不對齊,光照和幾何變化等影響。
1 Introduction
本文的主要貢獻:(1)FPNN,不同之處在於:使用一個統一的深度神經網路來同時處理misalignment,photometric,geometric transform,occlusions and background clutter;不再使用手工標記特徵;(2)使用了dropout,data augmentation,data balancing,bootstrap(3)建立了新的數據集
2 Related Work
3 Model
前6層用於處理layers to handle misalignment,cross-view photometric and geometric transforms, occlusions and background clutter。
3.1 Feature extraction
第1層是卷積+最大池化層。網路接收兩張不同視角下的行人圖片作為輸入。卷積用來進行光度變化處理。經過卷積,圖片變為一系列局部特徵。之後加max-pooling
3.2 Patch matching
先把圖像分成多個水平條帶,每個條帶分為W個部分。因為圖像已經經過了卷積層(包含k個filter)。我們首先只考慮一個filter生成的feature map。舉例,假設考慮兩幅輸入圖的feature map的第一個水平條帶,且均被分割成W個部分,則兩幅圖之間的W個部分相互組合,會生成一個W*W的矩陣。如果矩陣的某個區域的值比較大(例如坐標為(i,j)),說明圖片一的第一個水平條帶的第i塊與圖片2的第一個水平條帶的第j塊是相匹配的。因為他們是對同一feature的響應,相乘之後的值自然較大。如下圖
3.3 Modeling mixture of photometric transforms
Maxout-grouping layer:將原有信道分為K組,只將每組中最大響應的部分保留。
3.4 Modeling part displacement
卷積+max-pooling
3.5 Modeling pose and viewpoint transform
FC
3.6 Identity recognition
Softmax layer cross-entropy loss
推薦閱讀:
※CVPR 2018 Person Re-ID相關論文
※CVPR 2017 Person Re-ID相關論文
※ICCV 2017 Person Re-ID相關論文
※AlignedReID 論文筆記
TAG:深度學習DeepLearning | 行人重識別 |