论文MGN笔记《Learning Discriminative Features with Multiple Granularities for Person Re-Identification》
MGN的核心思想是利用global feature+fine grain feature做特征融合然后分类,做part-based的branch取得很简单就是等分,但是为了让模型能收敛,用了多个patch的loss混合训练。看文章结果很不错,只用了给的数据集里面的trainset就能达到90+。github上只有pytorch版本,准备这段时间自己搞一个纯TF版本出来。
Motivation
1.基于区域的方法主要是通过定位预先设定好的特殊区域来学习局部特征。对于高方差的场景效率并不高而且不鲁棒。
常用的part-based方法分为三类:
(1)根据先验知识,例如对人体结构的知识划分结构
(2)利用RPN定位区域
(3)中层次的注意力机制定位区域
2.基于全局特征的方法容易在小数据集上忽略细节
3.许多方法并不能End2End
Spot light
1.构建了3个branch,Coarse to fine使用全局特征和局部特征融合
2.End2End
3.同时使用Triplet loss和softmax
Result
不额外使用数据集仅使用简单的数据增强就能达到非常好的mAP
使用re-rank后效果更好
Structure
这部分直接从我OneNote截取的,重要的部分我已经直接标在图中了
Loss设计
softmax: 使用normface的版本,不加bias
Triplet loss:使用batch hard triplet loss
训练时的loss则是将图中所有同类loss相加等除之后再相加avg(triplet)+avg(softmax)
Hyper parameters
DataAugmentation:random horizontal flipping
Pretrain:全部加载Resnet50
Optimizer:momentum 0.9
L2_regularizer:5e-4
Learning rate:1e-2(40 epoch)1e-3(60 epoch)1e-4(80 epoch)
Evaluation
将所有256-dim的特征concat (8 x 256)=2048
测试的时候将原始特征和flipping后的特征求avg为最终结果
Discussion
1.使用Conv4_1的特征作为分支是实验出来的结果,前或后效果都不好
2.粒度多样性,Global学习全局但是粗糙特征,Branch学习局部但是精细特征
3.对于局部特征不应该使用triplet loss,因为切的时候就是等分,局部特征var很大
4.使用softmax有利于模型收敛,而triplet则是为了拉大inter-class var(度量学习了)
论文MGN笔记《Learning Discriminative Features with Multiple Granularities for Person Re-Identification》相关推荐
- MGN:Learning Discriminative Features with Multiple Granularities for Person Re-Identification阅读笔记
Learning Discriminative Features with Multiple Granularities for Person Re-Identification Guanshuo W ...
- 云从MGN《Learning Discriminative Features with Multiple Granularities for Person Re-Identification》论文阅读
这是云从大佬在CVPR上的一篇paper.基本思想就是通过对global feature进行多粒度的切分,提取更局部的细节特征.当时在Market-1501,CUHK03,DukeMTMC-reID三 ...
- Learning Discriminative Features with Multiple Granularities for Person Re-Identification(MGN)
Learning Discriminative Features with Multiple Granularities for Person Re-Identification(MGN) 论文:Le ...
- 《Learning Discriminative Features with Multiple Granularities for Person Re-Identification》论文阅读之MGN
刷新三数据集纪录的跨镜追踪(行人再识别-ReID)技术 云从科技在跨镜追踪(行人再识别)技术(ReID)上获取重大突破.同时在Market-1501,CUHK03,DukeMTMC-reID三个数据集 ...
- 视频分类论文阅读笔记——Learning Spatiotemporal Features With 3D Convolutional Networks
论文:Learning Spatiotemporal Features With 3D Convolutional Networks 作者:FaceBook AI研究院 来源:ICCV2015 代码: ...
- 论文学习笔记: Learning Multi-Scale Photo Exposure Correction(含pytorch代码复现)
论文学习笔记: Learning Multi-Scale Photo Exposure Correction--含pytorch代码复现 本章工作: 论文摘要 训练数据集 网络设计原理 补充知识:拉普 ...
- 【论文阅读】Learning Spatiotemporal Features with 3D Convolutional Networks
[论文阅读]Learning Spatiotemporal Features with 3D Convolutional Networks 这是一篇15年ICCV的论文,本篇论文提出的C3D卷积网络是 ...
- 论文笔记 | Learning Deep Features for Discriminative Localization
作者 Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, Antonio Torralba Bolei Zhou Abstract 受到NI ...
- 【论文阅读】Learning Deep Features for Discriminative Localization
Abstract 研究了全局平均池化(global average pooling, GAP),分析了它如何仅仅使用图像级标签训练就能使CNN具有出色的定位能力(localization abilit ...
最新文章
- 理财周报,致歉还远远不够
- 父亲和女儿同为互联网大佬, 但不幸都得癌症
- C#学习小记12实现一个接口
- 小甲鱼python课后答案40讲_小甲鱼Python第二十讲课后习题---021
- 脑机接口与量子计算机,关于脑机接口---浅谈人工智能。
- 【PAT - 甲级 - 1018】Public Bike Management (带权最短路,多条最短路中加条件,DFS)
- 「2019冬令营提高组」全连
- SEO技巧:好的域名是网站成功的开始
- 133. Clone Graph
- Spring Boot Initilizr - 使用IDE或IDE插件
- 剑指offer:滑动窗口的最大值(栈和队列)
- springMVC之与json数据交互方法
- 物联网 mysql数据库优化_MySQL数据库优化大全方法汇总-阿里云开发者社区
- Shader实例:NGUI制作网格样式血条
- en55032最新标准下载_欧盟新EMC标准EN55032强制实施
- bash 脚本编程 教程
- CSR8615蓝牙芯片功能调试入门笔记---上
- Maya2018安装及激活教程
- goldengate 检查点的理解
- 新书出版:《数字滤波器的MATLAB与FPGA实现——Altera/Verilog版(第2版)》已开始印刷出版