《表1 CUHK03数据集上Single-shot模式的实验结果比较》

  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

《基于卷积神经网络特征重加权的行人再辨识》

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

为了验证约束项中平衡系数λ的作用，类似于文献[9]中对马氏距离约束项的探讨，我们用CNN-V（E）与CNN-W-V（E）两种网络模型进行实验.图4为CUHK03数据集上，7个不同λ值对应的Rank-1准确率.从图中可以看出，当λ=0时，网络的泛化能力较弱，结果比欧氏距离损失函数的结果要差，说明单纯地加一个全连接层并不会提升准确率；当λ=100时，WWT趋近单位矩阵，因此与欧式距离损失函数的结果接近；λ=0.01时，我们的特征重加权层发挥出了自己的优势，结果明显优于欧式距离损失函数的结果.因此，一个合适的λ值可以平衡我们特征重加权层对欧式距离泛化能力的影响.