Beyond Scalar Neuron

Beyond Scalar Neuron

论文：Beyond Scalar Neuron:Adopting V ector-Neuron Capsules for Long-Term Person Re-Identification

作者：悉尼科技大学

代码:code

摘要

背景：目前的人员再识别(reid)工作主要集中在一个人不太可能改变衣服的短期情景。然而，在长期重新定位的情况下，一个人有很大的机会改变衣服。一个复杂的再识别系统应该考虑到这样的变化。

主要贡献：

①本文提出引了一个名为Celeb-reID的大规模reid数据集。与之前的数据集不同，同一个人的Celeb-reID数据集中有不同的服装，总共有1052个id和34,186张图像，使Celeb-reID成为迄今为止最大的长期re-ID数据集。

②为了应对变装，我们建议使用矢量神经元(VN)胶囊代替传统的标量神经元(SN)来设计我们的网络。与SN相比，VN中的一个额外维度信息可以感知同一人的服装变化。我们引入了一个设计良好的ReIDCaps网络，并集成了胶囊来处理person re-ID任务。我们的网络采用了软嵌入注意(SEA)和特征稀疏表示(FSR)机制来提高性能。

模型评估：提出的长期reid数据集和两个常用的短期reid数据集进行了实验。综合分析给出了证明挑战在我们的数据集。实验结果表明，我们的ReIDCaps可以在长期情况下大大超过现有的最先进的方法

网络结构

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1ezREWW1-1606134313680)(C:\Users\Mr.fei\AppData\Roaming\Typora\typora-user-images\image-20201113190908873.png)]

如上图所示，本文将胶囊网络引入 reID 领域，胶囊网络对每一个ID输出的不再是常规 FC 的一个值，而是一个向量，其中向量的长度表达该示例是否存在（存在的行人ID的似然性）， 第二个维度用来建模该示例的属性（同一个ID，但是不同衣服）。具体来说，作者首先用一个 DenseNet-121来提取给定图像的视觉特征，然后将该输出分别输入到三个不同的分支中。第一个是胶囊网络分支，其实也就是常规的进行分类，这里采用的 loss 为 margin loss。另外两个分支分别是 FSR 和 SEA机制。FSR是常规的fc分类，加了dropout来防止过拟合。SEA引入了Squeezeand-Excitation (SE) block 来得到更加具有判别性的特征。

E) block 来得到更加具有判别性的特征。