Abstract：

车辆重识别不同于行人重识别，其挑战性在于同种款式的不同车辆之间差异十分细小。本篇论文提出了双网络深度融合特征，两个网络可以提取输入图像的不同层面的特征并可以互相补充。通过提出的联合贝叶斯损失可以优化不同层面深度特征的融合，进而最小化类内间距，最大化类间间距，比较适合于车辆重识别任务。

Framework：

本文使用两个CNN网络来提取不同层面的特征，CNN1为CaffeNet，CNN2类似于NIN，其MLP卷积层具有很好的局部抽象能力。在得到两个网络的特征后，使用三层全连接网络进行特征融合，最后使用Softmax损失与联合贝叶斯判别损失进行了联合优化，获取强大的判别能力。

CaffeNet是一个小型网络，主要由5个卷积层、3个池化层、2个norm层与3个全连接层。结构如下：

NiN网络中的mlpconv卷积结构可以增强模型在感受野（receptive field）内对局部区域（local patches）的辨别能力。

类似的CNN2具体组成如下表：

普通卷积与mlp卷积的比较：

中间使用了两个1x1卷积与非线性操作，进行了所有通道间特征块的一个感知融合，具有更好的局部特征感知提取能力。

贝叶斯判别损失：

贝叶斯方法在人脸验证应用中具有很好的效果。

车辆特征可以由两部分组成，一部分是正确的身份信息，一部分是身份偏差，两者都服从高斯分布。

其中，，假设有两辆车的特征x1，x2，Hi表示同一车辆假设，He表示不同车辆假设。

两者的分布分别为，它们各自的协方差如下：

联合贝叶斯概率比：

贝叶斯损失如下定义：

softmax损失：

网络的整体损失：

实验结果：

试验在VehiclleID数据集上取得了很不错的效果，而且数据量越大，优势越明显。

多种层面特征融合是比较很好的应用技巧，而使用的贝叶斯损失很好地引导这个特征的融合。

论文题目：Vehicle Re-Identification by Deep Feature Fusion Based on Joint Bayesian Criterion（ICPR）Abstract：车辆重识别不同于行人重识别，其挑战性在于同种款式的不同车辆之间差异十分细小。本篇论文提出了双网络深度融合特征，两个网络可以提取输入图像的不同层面的特征并可以互相补充。通过提出的联合贝叶斯损...

概念、基本术语信息融合：将来源不同的信息整合到一起，去冗余；得到的融合信息将利于我们之后的分析处理。信息融合分为三个层次：数据融合，特征融合，决策融合。如下图所示：特征融合的分类特征融合算法主要可以分为三类： 1.基于 贝叶斯 决策理论的算法 2.基于稀疏表示理论的算法 3.基于深度学习理论算法基于 贝叶斯 理论的特征融合算法已知模式空间包含种模式，记为:,未知样本由维实值特征组成，记为.根...

后端融合常见的后端融合方式包括最大值融合 (max-fusion)、平均值融合 (averaged-fusion)、 贝叶斯 规则融合 (Bayes’rule based)以及集成学习(ensemble learning)等中间融合以神经网络为例，中间融合首先利用神经网络将原始数据转化成高维特征表达，然后获取不同模态数据在高维空间上的共性。

之前说过根据融合算法，可以概括为随机类方法和人工智能两大类。随机类方法目前常见的有加权平均法、多 贝叶斯 估计法、卡尔曼滤波法、Dempster-Shafer（D-S）证据推理、产生式规则等。人工智能类则主要包括模糊逻辑理论、神经网络、粗集理论、专家系统等。这边文章主要按照融合算法进行简单总结。 1.加权平均方法优点：信息丢失量较小，可以方便的对初始数据进行融合。缺点：必须找到恰当的数学模型，适用范围较为有限。 2.卡尔曼滤波的方法优点：数据所要传达的信...

举个例子：生病的几率一种癌症，得了这个癌症的人被检测出为阳性的几率为90%，未得这种癌症的人被检测出阴性的几率为90%，而人群中得这种癌症的几率为1%，一个人被检测出阳性，问这个人得癌症的几率为多少？ https://www.zhihu...

1. 特征表示人脸由两个高斯变量的和表征：x=μ+εx=\mu+\varepsilonx=μ+ε 这里xxx代表人脸，μ\muμ代表固有身份，ε\varepsilonε代表脸部变化（光照，姿态，表情等）。隐变量μ\muμ代表固有身份，ε\varepsilonε服从高斯分布 N(0,Σε)\ N(0, \Sigma \varepsilon) N(0,Σε),N(0,Sε)N\left(0, S_{\varepsilon}\right)N(0,Sε) 以照片xix_{i}xi和xjx_{

基于 贝叶斯 决策理论的特征融合是一种将不同特征信息进行融合的方法，其中利用了 贝叶斯 决策理论来进行决策。 贝叶斯 决策理论是一种基于概率的决策方法，它利用先验概率和条件概率来进行决策。在特征融合中，可以利用 贝叶斯 决策理论来计算不同特征的后验概率，并基于这些后验概率进行最终的决策。以下是一种基于 贝叶斯 决策理论的特征融合的步骤： 1. 收集不同类型的特征数据，例如时域特征、频域特征、小波特征等。 2. 根据样本数据计算每种特征的先验概率。 3. 计算每种特征在不同类别下的条件概率。 4. 对于一个新的样本，计算其在每个类别下的后验概率。 5. 根据后验概率进行最终的决策，选择具有最高后验概率的类别作为最终决策结果。在MATLAB中，可以使用统计工具箱中的函数来实现基于 贝叶斯 决策理论的特征融合。例如，可以使用`fitcnb`函数来训练一个朴素 贝叶斯 分类器，并使用`predict`函数来进行分类预测。通过基于 贝叶斯 决策理论的特征融合方法，可以充分利用不同特征的概率信息，提高分类的准确性和鲁棒性，在模式识别、图像处理等领域中具有广泛的应用。

RuntimeError: The Session graph is empty. Add operations to the graph before calling run() 25024 视觉弘毅: 感谢您的提问，您这个情况应该是数据读取阶段的事情，我目前了解的也不多，给您推荐两片相关的文章，可以参考，希望可以帮到你。 1. http://www-quic.zhihu.com/question/360391842 2. https://blog.csdn.net/qq_38737428/article/details/121208034