基于孪生网络和双向最大边界排序损失的行人再识别

作     者：祁子梁 曲寒冰 赵传虎 董良 李博昭 王长生 QI Ziliang;QU Hanbing;ZHAO Chuanhu;DONG Liang;LI Bozhao;WANG changsheng

作者机构：河北工业大学人工智能与数据科学学院天津300401 北京市科学技术研究院北京市新技术应用研究所北京100035 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2019年第39卷第4期

页      面：977-983页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划项目(2018YFC08097000 2018YFC0704800 2018YFF0301000) 国家自然科学基金资助项目(91746207) 北京市科学技术研究院萌芽计划项目(GS201817)~~ 

主　　题：行人再识别 孪生网络 双向最大边界 排序损失 卷积神经网络 

摘      要：针对在实际场景中存在的不同行人图像之间比相同行人图像之间更相似所造成的行人再识别准确率较低的问题,提出一种基于孪生网络并结合识别损失和双向最大边界排序损失的行人再识别方法。首先,对在超大数据集上预训练过的神经网络模型进行结构改造,主要是对最后的全连接层进行改造,使模型可以在行人再识别数据集上进行识别判断;其次,联合识别损失和排序损失监督网络在训练集上的训练,并通过正样本对的相似度值减去负样本对的相似度值大于预定阈值这一判定条件,来使得负例图像对之间的距离大于正例图像对之间的距离;最后,使用训练好的神经网络模型在测试集上测试,提取特征并比对特征之间的余弦相似度。在公开数据集Market-1501、CUHK03和DukeMTMC-reID上进行的实验结果表明,所提方法分别取得了89.4%、86.7%、77.2%的rank-1识别率,高于其他典型的行人再识别方法,并且该方法在基准网络结构下最高达到了10.04%的rank-1识别率提升。