paper下載地址:https://arxiv.org/abs/1707.00798
Introduction
Person Re-ID需要解決什麼問題?
測試集中的人在訓練集中是不可見的,因此需要學習到的描述子有足夠的可分性。
目前大多數表徵學習方法的目的是最小化訓練集的分類損失,這與Re-ID任務不同。表徵學習方法更多的關注於人體的軀幹部分,而忽略其他部分。對於不同的人,其他部分諸如頭部,上半身體依然是意義的。基於此,作者提出了PL-net(part loss networks),它自動將一副圖像分成K個parts,然後分別計算每個parts的分類損失。
Approach
整個網絡主要包括兩個部分:訓練集的經驗分類損失即全局損失,表徵學習損失即各個部件的分類損失。
假設已經得到feature map
其中
有了bounding box,有了feature map
測試的時候,全局特徵用