用于行人重识别的位姿敏感嵌入与扩展交叉邻域重排序
计算机视觉与模式识别
2018-04-03 v2
摘要
行人重识别是一项具有挑战性的检索任务，需要在不重叠的相机视角下匹配同一人的图像。本文提出一种有效的方法，结合行人的精细与粗略位姿信息来学习判别性嵌入。与近期显式建模身体部位或基于这些信息纠正错位的方向不同，我们表明，将获取的相机视角和/或检测到的关节位置直接纳入卷积神经网络，有助于学习非常有效的表示。为提高检索性能，基于计算距离的重排序技术近来受到广泛关注。我们提出一种无监督且自动的重排序框架，达到了最先进的重排序性能。我们表明，与当前最先进的重排序方法相比，我们的方法无需为每对图像计算新的排序列表（例如基于互近邻），并且通过使用简单的基于直接排序列表的比较、甚至仅使用已计算的图像间欧氏距离即可表现良好。我们表明，我们所学习的表示和重排序方法在多个具有挑战性的监控图像与视频数据集上均达到了最先进的性能。代码已在线提供：https://github.com/pse-ecn/pose-sensitive-embedding
引用
@article{arxiv.1711.10378,
title = {A Pose-Sensitive Embedding for Person Re-Identification with Expanded Cross Neighborhood Re-Ranking},
author = {M. Saquib Sarfraz and Arne Schumann and Andreas Eberle and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:1711.10378},
year = {2018}
}
备注
CVPR 2018: v2 (fixes, added new results on PRW dataset)