《表4 不同方法的实验结果》

  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

《基于特征拼接的行人重识别》

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

表4中方法E代表只使用分支1训练，方法F代表使用分支1、分支2一起训练，方法H代表分支1、分支2、分支3联合优化，方法J代表分支1、分支2、分支3、辅助分类层一起训练。本来辅助分类层只在训练时使用，在测试时不使用，后来研究者发现在测试时加上辅助分类层提取的特征后Rank1提高了0.7%，mAP提高了1.3%，故研究者在后面的实验测试时均加上辅助分类层提取的特征。表4中方法F的Rank1和mAP比方法E分别提高了3.3%和8.2%；方法H的Rank1和mAP比方法E分别提高了3.4%和9.1%。方法J是基于本文所提出的完整模型的方法，方法J的Rank1和mAP比方法E分别提高了4.7%和10.9%。这是因为方法J的模型能够对行人提取更丰富的特征，减少了训练过程中的信息丢失，比方法E（单一的全局特征）更有辨别力。表4中基于辅助分类器模型的方法J比方法H的Rank1和mAP分别提高了1.3%和1.8%。可以看出，每个分支对提高实验结果都是有效的。上述实验均是基于Market1501数据集进行的。