Ein diskriminativ gelerntes CNN-Embedding zur Personeneindeutigkeit

In diesem Artikel betrachten wir zwei beliebte konvolutionale neuronale Netzwerke zur Personeneindeutigkeit (re-ID): Verifikations- und Identifikationsmodelle. Die beiden Modelle haben aufgrund unterschiedlicher Verlustfunktionen ihre jeweiligen Vorteile und Einschränkungen. Hier beleuchten wir, wie die beiden Modelle kombiniert werden können, um diskriminativere Fußgängerdiskriptoren zu lernen. Konkret schlagen wir ein siamesisches Netzwerk vor, das gleichzeitig den Identifikations- und den Verifikationsverlust berechnet. Gegeben ein Paar von Trainingsbildern sagt das Netzwerk die Identitäten der beiden Eingabebilder voraus und ob sie zur selben Identität gehören. Unser Netzwerk lernt ein diskriminatives Embedding und eine Ähnlichkeitsmessung gleichzeitig und nutzt somit die re-ID-Anmerkungen vollständig. Unsere Methode kann leicht auf verschiedene vortrainierte Netzwerke angewendet werden. Obwohl einfach, verbessert das gelernte Embedding die Leistung im Stand der Technik auf zwei öffentlichen Person re-ID-Benchmarks. Darüber hinaus zeigen wir, dass unsere Architektur auch für die Bildretrieval anwendbar ist. Der Code ist verfügbar unter https://github.com/layumi/2016ₚersonᵣe-ID.