Omnidirectional Feature Learning for Person ReIdentification.pdf

2019年IEEEAccess上发表的一篇行人再识别文章。本文提出一个多分支深度模型。具体地，这个模型包括5个分支，这5个分支中，两个分支从水平和垂直方向学习带有空间信息的部分特征；一个分支学习由骨干网络最后一个卷积层生成的不同特征通道的相关性；剩下两个分支是识别和三元组子网络，来同时学习有判别力的全局特征和一个对应的度量。所有五个分支可以提高表示学习的质量。我们在Market-1501,CUHK03和DukeMTMC-reID上做了大量对比试验，本文提出的深度框架优于其他有竞争力的先进方法。