基于多任务学习的行人重识别特征表示方法

• 作者: 何小海 刘康凝 卿粼波 吴晓红 熊淑华
• 来源期刊: 重庆邮电大学学报（自然科学版）
• 学科: 工学
• 关键词: 孪生网络 多任务学习 深层特征 传统手工局部特征
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 人工智能与信息通信
• 页码范围: 519-527
• 页数: 9页
• 分类号: TN914.53
• 字数: 5776字
• 语种: 中文
• DOI: 10.3979/j.issn.1673-825X.2020.04.003

摘要

作为一种跨摄像头的检索任务,行人重识别会受到不同相机视角造成的图像样式变化的影响.近年来,许多算法通过神经网络直接从原始输入图片中学习相应特征,虽然这些特征能够很好地描述全局行人,但忽略了许多局部细节信息,在复杂的场景下容易出现误识别.针对此问题,研究了一种基于多任务学习的新的特征表示方法,采用成对输入的孪生网络结构,将局部最大出现特征(local maximal occurrence,LOMO)和深层特征一起送入网络并映射到单一的特征空间中进行训练,形成一种新的网络模型TDFN(traditional and deep features fusion net-work).利用神经网络自我学习特性,联合多个任务的损失函数更新网络,使得深层特征学习到更多与手工局部特征互补的细节信息.实验表明,新特征的平均精度mAP和Rank-1精度都优于直接从孪生网络提取的全局描述子.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	何小海	四川大学电子信息学院	395	2334	21.0	30.0
2	吴晓红	四川大学电子信息学院	141	571	11.0	16.0
3	卿粼波	四川大学电子信息学院	181	565	11.0	15.0
4	熊淑华	四川大学电子信息学院	78	385	8.0	18.0
5	刘康凝	四川大学电子信息学院	1	0	0.0	0.0