基于深度度量学习的行人重识别方法

摘要

cqvip:针对一般的行人重识别中传统度量距离鲁棒性问题和现存的深度神经网络针对行人重识别物理场景适应性问题,提出了一种基于深度学习和度量学习的行人重识别方法。该方法首先迁移和改进预先训练后的神经网络模型的结构和参数,并利用数据迁移算法对CUHK03行人数据集的单一行人样本进行扩充。再利用扩充的行人样本集针对深度神经网络进行参数微调,得到一个可以适应行人样本的神经网络模型,通过利用这个模型提取的深度特征,与度量学习算法KISSME结合进行行人重识别判断。实验研究结果表明:在标准数据集VIPeR和Market-1501下,首位准确率(Rank-1)分别达到了55%和61%,比原有的神经网络模型和相关算法准确率更高。