一种用于实时行人搜索的多任务联合框架
计算机视觉与模式识别
2020-12-14 v1
摘要
行人搜索通常包含三个重要部分：行人检测、特征提取与身份比对。然而，集成检测、提取与比对的行人搜索具有以下缺陷。首先，检测精度会影响比对精度。其次，在真实应用中难以实现实时。为解决这些问题，我们提出一种用于实时行人搜索的多任务联合框架（MJF），分别优化行人检测、特征提取与身份比对。对于行人检测模块，我们提出 YOLOv5-GS 模型，其使用行人数据集训练。它结合了 Ghostnet 与 Squeeze-and-Excitation（SE）模块的优势，提升了速度与精度。对于特征提取模块，我们设计了模型适配架构（MAA），可根据人数选择不同网络，从而平衡精度与速度的关系。对于身份比对，我们提出三维（3D）池化表与一种匹配策略以提高识别精度。在 1920*1080 分辨率视频与 500 ID 表的条件下，我们的方法所能达到的识别率（IR）与每秒帧数（FPS）分别为 93.6% 和 25.7。
引用
@article{arxiv.2012.06418,
title = {A Multi-task Joint Framework for Real-time Person Search},
author = {Ye Li and Kangning Yin and Jie Liang and Chunyu Wang and Guangqiang Yin},
journal= {arXiv preprint arXiv:2012.06418},
year = {2020}
}