BriefGPT - AI 论文速递
·
利用全局、局部身体部位和头部流增强长期个体重新识别
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
本文介绍了一种用于学习足球运动员再识别的神经网络架构，包括双流网络和双线性池化层。通过双线性映射生成身体部位地图的局部特征，无需注释身体部位，通过训练整个网络最小化三元组损失来提高模型效果。实验证明该模型的有效性。
🎯
关键要点
- 提出了一种用于学习足球运动员再识别的神经网络架构。
- 模型包括双流网络和双线性池化层。
- 双流网络用于外观地图提取和身体部位地图提取。
- 通过双线性映射生成身体部位地图的局部特征。
- 模型不需要对身体部位进行注释，使用现有姿态估计网络进行初始化。
- 外观流使用 ImageNet 数据集进行预训练，部位流从头开始训练 SoccerNet-V3 数据集。
- 实验结果表明该模型优于 OsNet 和 InceptionNet 等最先进模型。
➡️
