HSGNet: Object Re-identification with Hierarchical Similarity Graph Network

要約

オブジェクト再識別方式は、バックボーン ネットワーク、機能集約、および損失関数で構成されます。
ただし、ほとんどのバックボーン ネットワークには、豊富なスケール バリエーションを処理し、識別可能な特徴表現をマイニングするための特別なメカニズムがありません。
この論文では、最初に階層的類似性グラフモジュール（HSGM）を設計して、バックボーンと再識別ネットワークの競合を減らします。
設計された HSGM は、豊富な階層グラフを構築して、グローバル – ローカルとローカル – ローカルの間のマッピング関係をマイニングします。
次に、各階層グラフの空間方向とチャネル方向に沿って特徴マップを分割します。
HSGM は、異なる場所から抽出された空間特徴とチャネル特徴をそれぞれノードとして適用し、ノード間の類似性スコアを利用して、空間類似性グラフとチャネル類似性グラフを構築します。
HSGM の学習プロセス中に、学習可能なパラメーターを利用して各位置の重要性を再最適化し、異なるノード間の相関を評価します。
第三に、HSGMをバックボーンネットワークに埋め込むことにより、新しい階層的類似性グラフネットワーク（HSGNet）を開発します。
さらに、HSGM は、オブジェクトの再識別機能を向上させるために、任意の深さのバックボーン ネットワークに簡単に埋め込むことができます。
最後に、3 つの大規模なオブジェクト データセットに関する広範な実験により、提案された HSGNet が最先端のオブジェクト再識別アプローチよりも優れていることが実証されました。

要約(オリジナル)

Object re-identification method is made up of backbone network, feature aggregation, and loss function. However, most backbone networks lack a special mechanism to handle rich scale variations and mine discriminative feature representations. In this paper, we firstly design a hierarchical similarity graph module (HSGM) to reduce the conflict of backbone and re-identification networks. The designed HSGM builds a rich hierarchical graph to mine the mapping relationships between global-local and local-local. Secondly, we divide the feature map along with the spatial and channel directions in each hierarchical graph. The HSGM applies the spatial features and channel features extracted from different locations as nodes, respectively, and utilizes the similarity scores between nodes to construct spatial and channel similarity graphs. During the learning process of HSGM, we utilize a learnable parameter to re-optimize the importance of each position, as well as evaluate the correlation between different nodes. Thirdly, we develop a novel hierarchical similarity graph network (HSGNet) by embedding the HSGM in the backbone network. Furthermore, HSGM can be easily embedded into backbone networks of any depth to improve object re-identification ability. Finally, extensive experiments on three large-scale object datasets demonstrate that the proposed HSGNet is superior to state-of-the-art object re-identification approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google