行人屬性預測中被多篇論文引用的論文。內容相對簡單,兩個網絡結構,DeepSAR對每個屬性獨立預測,DeepMAR多屬性聯合預測。
目前屬性預測關注的兩個場景:自然場景和監控場景。自然場景圖像質量一般比較高,而監控場景圖像一般比較模糊、分辨率低、光線變化比較大。屬性間一般是相互關聯的,如頭髮的長度可以幫助性別的識別。
網絡結構:
屬性通常不具有同一分佈,爲解決樣本不均問題,提出改進的損失函數:
其中
實驗結果
行人屬性預測中被多篇論文引用的論文。內容相對簡單,兩個網絡結構,DeepSAR對每個屬性獨立預測,DeepMAR多屬性聯合預測。
目前屬性預測關注的兩個場景:自然場景和監控場景。自然場景圖像質量一般比較高,而監控場景圖像一般比較模糊、分辨率低、光線變化比較大。屬性間一般是相互關聯的,如頭髮的長度可以幫助性別的識別。
網絡結構:
屬性通常不具有同一分佈,爲解決樣本不均問題,提出改進的損失函數:
其中
實驗結果