《表6 rank-1匹配样本对距离均值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《迁移度量学习行人再识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

最后，本文对不同测试数据集在迁移度量学习和非迁移度量学习下，度量空间中样本分布进行了统计，结果如表6所示，给出了不同数据集正样本在二次判别分析度量模型（通过iLIDS数据集训练得到）中的投影坐标均值以及在迁移度量学习投影空间中的坐标均值。由公式（11）可以看出，度量模型的学习是通过约束源域数据中正样本对的散度，来获得具有强分辨能力的度量投影空间。通过对源域中正样本训练数据的度量，统计正样本训练数据在度量投影空间中距离的均值为11.52。行人再识别度量学习模型中正、负样本对总体服从多元高斯分布假设，度量投影矩阵W是由原始空间到度量空间的线性变换，根据多元高斯分布的性质，原始数据在线性投影空间中的分布同样服从高斯分布。因此，目标域中匹配得到的样本对，在度量空间中的距离越接近源域正样本对距离的均值，其落在源域正样本对在度量空间中的分布概率越大，两个分布的相似性也就越高。根据表6中的统计结果可以得知，本文的迁移度量学习方法有效地提升了目标域识别结果中样本对与源域正样本对在投影空间中分布的相似性。同时，迁移度量学习增加了模型训练样本的多样性，有效提升了识别精度。