Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function

作者：西安交大的De Cheng, Yihong Gong, Sanping Zhou, Jinjun Wang, Nanning Zheng

主要贡献：

贡献有两个，一个是改进的网络结构，一个是改进的triplet loss.

网络结构：

该网络结构一共有5个channels，其中一个是整个身体的channel，其他四个对应四个parts的channels。
其中：
full-body channel: global convolution layer（7\times 7 \times 32 \/3）+max-pooling(3\times 3)+fulll-body convolution layer(5\times 5)+max-pooling(3\times 3)+full-connection layer(400d)
body part channel:
1\frac 4 global convolution layer+body-part convolution layer(3\times 3)+full-connection layer(100d)
最后串联在一起，一共800维。

improved loss

除了关注类内和类间的分离度，也关注类内的紧密性。

实验

数据集
在四个数据集上测试：
i-LIDS
PRID2011
VIPeR
CUHK01

1、评估网络结构和改进loss的性能

四个Variants
variant 1(oursT): 移除4个body-part channels+ original loss
variant 2(oursTC):移除4个body-part channels+improved loss
variant 3(oursTP): multi-channel CNN+ original loss
variant 4(oursTPC):multi-channel CNN+improved loss
在四个数据集上的评估结果

2.loss function中beta值对结果的影响

3. 不同身体部分对结果的影响

model: 一个full-body channel + 一个body part channel.

4.可视化每个卷积层学习到的特征

总结

以上是生活随笔为你收集整理的Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。