摘要

本文提出了一种用于检索问题的SVDNet，特别关注其在行人重识别（re-ID）中的应用。我们将卷积神经网络（CNN）中全连接（FC）层的每个权重向量视为一个投影基。观察发现，这些权重向量通常具有高度相关性。这一问题导致了FC描述符各元素之间的相关性，从而影响了基于欧氏距离的检索性能。为了解决这一问题，本文提出利用奇异值分解（SVD）优化深度表示学习过程。具体而言，通过约束与松弛迭代（RRI）训练方案，我们能够在CNN训练过程中逐步引入正交性约束，从而生成所谓的SVDNet。我们在Market-1501、CUHK03和Duke数据集上进行了实验，结果表明RRI有效降低了投影向量之间的相关性，生成了更具区分性的FC描述符，并显著提高了重识别精度。例如，在Market-1501数据集上，CaffeNet的首位命中率从55.3%提高到80.5%，ResNet-50的首位命中率从73.8%提高到82.3%。