ReID论文笔记1-Deeply-Learned Part-Aligned Representations for Person Re-Identification
发布时间
阅读量：
阅读量
论文地址：
https://arxiv.org/abs/1707.07256
源码地址：
https://github.com/zlmzju/part_reid
总述
- part-aligned human representation旨在解决图片中人类与目标位置不一致的问题
- 该方法对姿势变化具有更强的适应性
- 无需对身体各部位进行标记
- 无需训练人类检测器或分割器
- 通过相似度信息学习人类体形匹配
- 未采用长短期记忆网络（LSTM）
- 模型将人体分解为若干易于识别的部分
- 计算各部分特征表示，并汇总图像对相应区域之间的相似性得分
结构与方法
- 输入图片尺寸为160×80像素（I）
- 利用全连接卷积层提取图像特征，并获得输出结果为10×5×512的空间结构（T）
- 共有k个part nets，并通过交叉验证确定参数值。每个part net由一个1×1卷积层加上sigmoid激活函数构成
- 共享参数的K个分支网络分别对应身体的不同部位。每个分支网络对特定身体部位的响应更为敏感
- 对输入图像进行人体部分检测后，在计算阶段生成各身体部位对应的权重矩阵M_k
- 将各部位权重与原始图像特征进行融合计算。经过全局池化处理并应用线性降维技术后整合各部分表示信息
- 最终生成人类表征h(I)
- 使用欧氏距离作为triplet损失函数的距离度量
按照自己理解大致画了一下
结论
*采用一种完全避免依赖体态感知模块的方式进行人体姿态识别，并主要依赖形态相似性分析这一技术指标，在这一特性下表现出较强的鲁棒性。
*得到的人体特征主要包含身体部位信息而没有面部相关特征信息。
*算法实现相对简便，并且具有良好的工业应用前景。
全部评论 (0)
还没有任何评论哟~