再见,迁移学习?可解释和泛化的行人再辨识|ECCV 2020
极市平台
共 5859字,需浏览 12分钟
·
2020-10-09 15:25
![](https://filescdn.proginn.com/e6d458f12fb7851bf75481212dd64bd0/ab325ede7d07bf2efde0b8dc273e932a.webp)
极市导读
本文提出了一种查询图自适应的卷积,这种技术比特征学习更容易泛化至未知场景,有助于“开箱即用”的行人再辨识技术的发展。>>加入极市CV技术交流群,走在计算机视觉的最前沿
![](https://filescdn.proginn.com/c82d324f1c0b1edc6eb350d213f136db/2fe3856de931f546df0b1b5bce433544.webp)
简介
![](https://filescdn.proginn.com/7fd2956318e08c31022d4babdabe8ba1/719cc9064927134efbff7d42d4043482.webp)
研究动机
查询图自适应卷积
![](https://filescdn.proginn.com/083308a0c534f8f1a346dcf4105c9507/170f2e1fe85027cc25a09f4e3e1ea2f7.webp)
QAConv 训练时的网络结构如图 3 所示,包含骨干网络、QAConv 模块、类别记忆模块、全局最大池化(GMP)、BN-FC-BN 度量学习模块和损失函数。
![](https://filescdn.proginn.com/aface2bc332e857376570dc9b73e816e/7fe60434185ca90edc48d29bc8f29956.webp)
在 BN-FC-BN 模块之后,我们采用了一个 sigmoid 函数将相似度分数映射到 [0,1] 区间,并计算二值交叉熵损失。由于负样本对比正样本对多得多,为了平衡样本分布同时在线挖掘难例样本,我们也采用了 focal loss 来加权损失。
时序提举
![](https://filescdn.proginn.com/9db957c946b34f795f85d34e6335cd93/25c360a27d202e08d792d395483b1c77.webp)
实验结果
![](https://filescdn.proginn.com/3f230ec17507ccfacc37cbb253609b29/ef41584c83f69e71acb66bb166678d65.webp)
![](https://filescdn.proginn.com/d4b4865dfd61ef72a942a6672d88db53/10094a85dc29f58acc32a184473b1135.webp)
![](https://filescdn.proginn.com/e522c180eba22fcf7fb67289db0e307c/2710157bdb0900bc2fa8fecc05cefd4f.webp)
![](https://filescdn.proginn.com/7da33007b2751a9e73ef7a2b731b5838/cabaf9308d667de8e0f3d89d54b45afd.webp)
结语
推荐阅读
![](https://filescdn.proginn.com/0bb969908336a1df1af4bc15b3a8b9bc/62347238a0ed8b0b8eb67615d717d90d.webp)
评论