《表2 Market-1501数据集上不同算法的实验结果对比》

  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

《基于深度多视图特征距离学习的行人重识别》

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

%

本文首先在最大的基于图像的重识别数据集上评估提出的算法模型。在此数据集中，在微调的Res Net-50上提取最后一层卷积特征，并对产生的卷积映射进行滑框操作，产生多个局部特征向量，经过L2归一化处理，并直接相加操作后，得到低维的深度特征，其向量维数等于卷积层通道数，故得到的新的深度特征向量维数为2 048维。接着使用LOMO特征和本文提出的区域整合特征向量通过参数α的加权融合完成二者的协作。在此数据集上，本文设置滑框尺度L=4，加权参数α=0.5，用参数α加权来评估传统LOMO特征和区域聚合深度特征的相对重要性。与本文提出的算法模型Fusion Model进行比较的算法包括:对称驱动的局部特征积累（SymmetryDriven Accumulation of Local Features，SDALF）[6]，词袋模型（Bag-of-Words model，BOW）[12]，LOMO[1]，CAN[14]，ID判别嵌入（ID-discriminative Embedding，IDE）[15]（其中IDE （C）表示所用模型为Caffe，IDE（R）表示所用模型为Resnet-50） ，姿态不变嵌入（Pose Invariant Embedding，PIE）[161和Spindle Net[17]。表2的结果显示，本文的Fusion Model与PIE（Res50）相比Rank 1性能要高1.52个百分点。本文提出了深度区域聚合特征向量（DRIF），在此特征向量的基础上提出了距离融合模型，所以将本文的Fusion Model与DRIF相比较，Rank1的值提高了3.77个百分点，m AP值提高了5.46个百分点，说明本文提出的算法模型是有效的。