導(dǎo)讀：ECAI 2016是歐洲展示AI科學(xué)成果的最佳場所，大會為研究人員提供了很好的機會，去介紹和聽取當(dāng)代最優(yōu)秀的人工智能研究成果。

通過多重由淺入微的深度度量進行行人再識別（Person Re-Identification via Multiple Coarse-to-Fine Deep Metrics）

摘要：行人再識別的目標(biāo)是從不同地方的多個相機視角識別同一個人的圖像，這在人工智能和多媒體領(lǐng)域引發(fā)了濃厚的研究興趣。度量學(xué)習(xí)方法作為它的流行研究方向這一，在尋求適當(dāng)?shù)亩攘靠臻g生成精確的特征比較方面起著重要作用。然而，現(xiàn)有的度量學(xué)習(xí)方法主要是通過單一的度量學(xué)習(xí)最佳的距離度量函數(shù)，這使它們難以考慮樣本之間的多重相似關(guān)系。為了解決該問題，本文提出了一種由淺入深（coarse-to-fine）的深度量學(xué)習(xí)方法，它配備多個不同的堆疊自動編碼器（SAE）網(wǎng)絡(luò)和分類網(wǎng)絡(luò)。在人的視覺機制視角下，多個不同層次的深神經(jīng)網(wǎng)絡(luò)模擬大腦視覺系統(tǒng)處理信息，它采用不同的模式來識別對象的字符。此外，我們還提出了一種加權(quán)分配機制，以處理不同測量方式的最終識別精度。在兩個公共數(shù)據(jù)集（VIPeR和CUHK）上進行實驗的結(jié)果顯示了所提出方法的預(yù)期性能。

第一作者簡介

Mingfu Xiong

任職：武漢大學(xué)

文章總結(jié)及應(yīng)用場景

本次研究中，我們提出了一種利用多重由淺入微的自動編碼模型方法，處理不同環(huán)境變化中行人再識別問題。我們的算法中訓(xùn)練了幾個不同的SAE網(wǎng)絡(luò)，每一個網(wǎng)絡(luò)后面都有一個softmax分類器，因此我們可以建立有不同隱藏層的神經(jīng)網(wǎng)絡(luò)模擬大腦的視覺皮層。預(yù)處理后的行人圖像對通過減去用于網(wǎng)絡(luò)輸入的平均值，產(chǎn)生一對分類結(jié)果。最后，進一步使用加權(quán)分配機制，以提高所獲得分類結(jié)果的識別精度。在兩個公眾數(shù)據(jù)集上大量實驗的結(jié)果顯示了我們算法的優(yōu)越性。

我們建立的多重由淺入微的深度度量學(xué)習(xí)方法可以擴展到其它視覺應(yīng)用，例如圖像分類，對象檢測等。

via：ECAI  2016

PS : 本文由雷鋒網(wǎng)獨家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

原論文下載

 

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。