Re-ID: 从表征学习到度量学习的探索

作者:php是最好的2024.02.17 14:26浏览量:6

简介:行人重识别(Re-ID)是计算机视觉领域的一个重要任务,主要应用于监控、安全、智能交通等领域。本文将介绍Re-ID领域的两种基本学习方法:表征学习和度量学习,以及它们在行人重识别中的重要性和应用。

千帆应用开发平台“智能体Pro”全新上线 限时免费体验

面向慢思考场景,支持低代码配置的方式创建“智能体Pro”应用

立即体验

行人重识别(Re-ID)是计算机视觉领域的一个重要任务,主要应用于监控、安全智能交通等领域。为了实现有效的行人重识别,需要从行人图像中提取具有代表性的特征,并比较不同图像之间的相似度。表征学习和度量学习是两种基本的学习方法,目前几乎所有的行人重识别算法都是基于这两种方法进行拓展的。

表征学习是一种将行人重识别任务视为分类问题或验证问题的方法。在分类问题中,利用行人的ID作为训练标签来训练模型,每次只输入一张图片。特征层后接一个全连接层改变输出维度(与类别数匹配),经过Softmax激活函数计算交叉熵损失。在测试阶段,使用倒数第二层的特征向量进行检索,分类FC层丢弃。同时连接多个属性分类损失,可以增强ReID特征的性能。每一个属性损失都是一个分类的交叉熵,可以等效于一个multi-task的网络。在验证问题中,输入两张图片来判断它们是否是同一张图片。具体做法是,输入两张图片,经过同一个CNN得到两个特征向量,将两个特征向量融合起来到FC层,最后输出只有两个神经元的FC,用以判断是否是同一行人。

度量学习是一种学习两张图片相似度的方法,通常应用在图像检索领域。它的目的是通过网络学习出两张图片的相似度。具体做法是,输入两张图片,通过网络向前传播归一化后得到特征向量,计量特征间距离,通过距离损失优化网络。常使用归一化特征欧式距离,或者特征的余弦距离。度量学习优势在于不需要全链接层,因此对于ID的数量不敏感。

在实际应用中,将表征学习和度量学习结合起来可以进一步提高行人重识别的性能。例如,可以使用表征学习的方法进行分类或验证,同时使用度量学习的方法学习图像之间的相似度。这样可以充分利用两种方法的优点,提高行人重识别的准确率和鲁棒性。

在实现行人重识别时,还需要注意一些关键的技术点。首先,需要选择合适的网络结构来提取特征。常见的网络结构包括卷积神经网络(CNN)、Siamese网络等。其次,需要选择合适的损失函数来优化网络参数。分类问题中常用的损失函数包括交叉熵损失、对比损失等;度量学习中常用的损失函数包括欧式距离损失、余弦距离损失等。最后,需要设计有效的训练策略来提高网络的泛化能力。

总的来说,表征学习和度量学习是行人重识别领域的两种基本学习方法。通过将它们结合起来并注意选择合适的网络结构、损失函数和训练策略,可以进一步提高行人重识别的性能和应用价值。

article bottom image

相关文章推荐

发表评论