[行人重识别论文阅读]Fine-Grained Shape-Appearance Mutual Learning for Cloth-Changing Person Re-Identification
论文地址
论文代码:暂无
文章思想
在上篇文章中我们引入了sketch(行人轮廓图)的思想去解决换衣问题,但是我们会在实践中发现sketch的优劣性严重影响了最后实验结果的好坏。此篇论文的核心思想就提高行人轮廓图的图片质量。
利用行人标签提高轮廓图质量
想法很简单就是如果该行人轮廓图能够正确的预测出行人的标签,那么其行人轮廓图的质量就会非常不错。
下述公式
描述了如何提取行人的轮廓:
我们首先利用下述公式获得行人的掩码,I为输入图像,Θm为网络的参数,Fm为语义解析网络,这样我们得到的就是行人的掩码M
之后将得到M投入到Fs中得到轮廓特征, Θs为Fs的参数
虽然这种方法很好但是会出现一个问题:
如上图的(c)所示除了轮廓以外的其它细节也被引入,其它细节虽然会提高模型的预测准确率 但是我们只是想要行人的轮廓,所以我们需要对其额外处理:
M^ 就是一开始的预训练模型,没有经过上面损失进行训练的,由于没有经过上面损失的训练,虽然他在轮廓方面不够细节与完整,但是却不会引入轮廓以外的东西。
所以我们就需要优化Fm网络,如上述公式(4)让M与M^距离距离更近即使损失函数更小来优化Fm。
姿势与行人轮廓
通过上述的方法我们得到了高质量的行人轮廓,但是无论这个轮廓有多么完美,同一个人的不同姿势轮廓肯定是不相同的,所以我们要更好的利用轮廓图就要去除姿势对轮廓图的干扰。
解决方法
:同一个姿势的轮廓图用一个网络处理
如上图所示 我们首先提取人体的关键点,根据关键点我们利用聚类算法将图片分成三个组,利用聚类的结果我们为每个轮廓图添加伪标签。
有了伪标签之后,我们首先将轮廓图通过一个特征提取网络,这个网络一共有4个block,block1,block2,block3,在block4的时候,我们上面提过同一个姿势的轮廓图用同一个网络去处理,现在一共有三种姿态,所以我们分为3个block4,每个block4处理一种姿势,而轮廓图具体经过哪个block就是根据伪标签来定
那么最终的结果就是由三个block4的结果得出,值得注意的是,这个权重是对应姿势的block4为1,其余全为0,实质上就是只有一个block4的结果。
这样得到的特征向量是一个去除姿势影响,能够明确判别行人的高质量轮廓图
得到外观特征
上述我们求得的特征实际上是行人的形状特征,我们为了提高最终识别行人的准确率,我们同时引入了学习外观特征,例如学习头肩特征,步态特征等
下图红框部分即是我们求外观特征的网络
这部分就很简单了 就是利用4个block不断提取特征后加上Id损失和三元组损失,这样就能提取到与衣服无关的特征(因为数据集是换衣数据集,降低损失就是在不断提取与衣服无关的特征)
外观特征与形状特征的融合学习
为了融合两种特征的学习,我们提出了dense interactive mutual learniing
而对于这个共同学习我们提供了两种方式:
相似度矩阵的共同学习
损失函数:
公式中 Sia代表 形状分支得到的相似度矩阵
公式中 Sjs代表 外观分支得到的相似度矩阵
而我们的损失函数就是让两个矩阵更加接近(即这样就是使同一个人的形状特征和外观特征同时考虑进去,因为两者得到的相似度较近就说明两者判断的应该是一个人)
概率分布的学习
我们上文说过利用标签判断趋于一致是一种很好的方法,所以我们使用上这个思想,比较两种特征在概率分布上的一致性
下述的计算方式我们称为相对熵
它的概念:
它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是:在相同事件空间里,概率分布P(x)的事件空间,若用概率分布Q(x)编码时,平均每个基本事件(符号)编码长度增加了多少比特。我们用D(P||Q)表示KL距离,计算公式如下:
那么我们的目的就是让两者的概率分布更加接近(即ps与pa相互更加接近)
如下公式除了引入(10)中ps相对与pa的关系 我们又引入了pa相对于ps的关系。
这样我们发现两者的概率分布越接近,其损失函数就会越趋于0.
我们将两个损失函数共同运用起来就完成了我们共同学习的过程
博客参考
https://zhuanlan.zhihu.com/p/393732836
https://blog.csdn.net/scw1023/article/details/59109922
[行人重识别论文阅读]Fine-Grained Shape-Appearance Mutual Learning for Cloth-Changing Person Re-Identification相关推荐
- 【行人重识别论文阅读笔记——VPM】
[阅读心得] 行人重识别经典论文--VPM 写在前面 1. Abstract 2. Introduction 3. VPM 3.1 Architecture 3.2 Inference 3.3 Sel ...
- 行人重识别论文阅读2-视频中基于时空相关性和拓扑学习的行人重识别(CTL)
视频中基于时空相关性和拓扑学习的行人重识别 Spatial-Temporal Correlation and Topology Learning for Person Re-Identificatio ...
- [行人重识别论文阅读]无监督学习发展与小结
Unsupervised domain adaptation (UDA) for person re-ID. UDA methods have attracted much attention bec ...
- [行人重识别论文阅读]AlignedReID: Surpassing Human-Level Performance in Person Re-Identification
论文地址: 代码地址: Abstract 摘要部分明确提出了本文的重要思想,利用局部特征学习影响全局特征学习,并指出局部特征的学习方法是通过计算局部特征间的最短距离进而aligned局部特征. 原文: ...
- [行人重识别论文阅读]Invariance Matters: Exemplar Memory for Domain AdaptivePerson Re-identification
论文链接:https://arxiv.org/abs/1904.01990 代码:https://github.com/zhunzhong07/ECN Abstract 1.传统的无监督方法只关注于缩 ...
- 行人重识别论文阅读(2021.7.3-7.11)
一 各种方法性能比较 Method Key Market r1 Market mAP Duke r1 Duke mAP (1)BOT global+BNNeck 94.5 84.5 86.4 76. ...
- 行人重识别 代码阅读(来自郑哲东 简单行人重识别代码到88%准确率)
来自郑哲东 简单行人重识别代码到88%准确率 阅读代码 prepare.py 数据结构 部分代码 一些函数 model.py ClassBlock ResNet50 train.py 一些参数 使用f ...
- 行人重识别论文--A Bottom-up Clustering Approach to Unsupervised Person Re-identification
A Bottom-up Clustering Approach to Unsupervised Person Re-identification 目录 A Bottom-up Clustering A ...
- 跨模态行人重识别:Cross-Modality Person Re-Identification viaModality-Aware CollaborativeEnsemble Learning学习笔记
基于模态感知的协同集成学习的跨模态行人重识别 简介 本文针对VT-Reid提出了一种基于中间层共享双流网络(MSTN)的模态感知协同集成(MACE)学习方法,该方法同时处理了特征层和分类器层的模态差 ...
最新文章
- new HashMap<String, Object>();
- 模板:无旋treap
- 【转】utf-8的中文是一个汉字占三个字节长度
- DataGridView控件的使用 1207
- 初体验这个平台很强大
- 数学建模之统计回归模型详解
- 编写matlab程序设计状态反馈增益阵,利用MATLAB设计状态观测器.pdf
- java计算机毕业设计HTML5旅游网站源码+mysql数据库+系统+lw文档+部署
- 解决 Gitee上不显示贡献度
- qq邮箱登录收件服务器是什么,你好请问qq邮箱收件服务器不能为空是什么意思...
- 雅佳5000音色中英文对照表 AKAI EWI5000
- python 儿童 游戏_少儿编程分享:手把手教你用Python编写战斗机游戏(完)
- Markdown - Emoji表情大全
- Day3_Pytorch入门——人脸标点绘图(简单)
- SOYO的主板如何进入BIOS系统
- 钉钉应用开发,提示Warning: Invalid CERT Authority
- 2014年数学建模国赛A题(嫦娥三号软着陆轨道设计与控制策略)优秀论文.doc
- 阿里云高防服务器多少钱?提供CC和WEB漏洞DDOS防护
- 画架构图没有好素材可不行
- 初闻不知曲中意,再听已是曲终人!哪首歌让你,而立之年泪流满面