[Pattern Recognition_2017]IAN: The Individual Aggregation Network for Person Search

PDF

总结

这篇文章在person search end-to-end的开山之作E2E-PS的基础上，沿用faster rcnn框架并加以改进，在两个数据集（CUHK-SYSU和PRW）上都有较大改进。

contribution

 

论文框架如上图，基本沿用faster rcnn的框架，改进点主要有几个：

1. 用ResNet代替VGGnet做特征提取
2. 增加了一个center loss，使得网络减小类内差异的能力提升
   • 作者认为，利用softmax可以更好的增加网络对类间差异的判断能力，而Siamese Network或者Triplet Network的contrastive loss或者triplet loss可以更好的提升类间compactiveness。所以增加一个center loss可以提升网络的判别能力。
3. 舍弃了dropout
   • 作者在实践中发现dropout与center loss不兼容，原因是dropout随机舍弃掉神经元，使得每次前向计算的特征都会有所不同，这使得类间的变化增大。而center loss是为了减小类间变化

center loss

 

center loss的定义如下图，其中是每个类的特征中心，由于对整个训练集的特征按类计算中心不可行，作者采用对每个mini-batch进行中心更新和最小化特征到对应类中心距离的方式进行，即：

 

 整个网络的loss就包含5个子loss，即4个fasterRCNN原本的loss和一个center loss

实验结果

CUHK-SYSU 数据集

PRW数据集