基于去相关高精度分类网络与重排序的行人再识别.PDFVIP

37 6 Vol. 37 No. 6 第 卷第 期 计算机应用研究 录用定稿 Application Research of Computers Accepted Paper 基于去相关高精度分类网络与重排序的行人再识别 * + 韩 光 ，葛亚鸣，张城玮 (南京邮电大学 宽带无线通信技术教育部工程研究中心, 南京 210003) 摘 要：目前基于深度学习的行人再识别方法通常将分类网络作为基础网络进行训练，再用其提取行人图片的深度 特征，最后在欧氏距离度量下计算特征间相似度并建立排序表。因此，分类网络的特征表达能力将影响到再识别的 准确率，而特征表达之间的相关性也会使相似度计算存在误差。针对这些问题，采用精度更高的分类网络作为行人 k 再识别的特征提取网络，并使用奇异值分解来降低权向量之间的相关性，优化深度学习过程。此外，使用基于 互 近邻的方法，对候选库中需要检索的图片进行重排序，也将进一步提升再识别的精度。在 Market-1501 数据集上的 实验结果表明，该方法能显著提高行人再识别的准确性。 关键词：行人再识别；SENet ；去相关；奇异值分解；重排序 中图分类号：TP391.41 doi: 10.19734/j.issn.1001-3695.2018.12.0918 Person re-identification by decorrelated high-precision classification network and re-ranking + Han Guang , Ge Yaming, Zhang Chengwei (Engineering Research Center of Wideband Wireless Communication Technique of Ministry of Education , Nanjing University of Posts Telecommunications, Nanjing 210003, China) Abstract: At present, the pedestrian re-identification method based on deep learning usually trains the classification network as the basic network, then uses it to extract the deep features of the pedestrian images . Finally, the similarities between features is calculated under the Euclidean distance metric and a ranking table is established . Therefore, the feature representation ability of the classification network will affect