一段视频胜三视图：面向基于视频的人员重识别的三叉Transformer
计算机视觉与模式识别
2021-04-06 v1 人工智能
摘要
基于视频的人员重识别（Re-ID）旨在跨非重叠摄像头检索同一人的视频序列。以往方法通常聚焦于有限视图，如空间、时间或时空视图，缺乏对不同特征域的观察。为获取更丰富的感知并提取更全面的视频表征，本文提出一种名为三叉Transformer（TMT）的新框架用于基于视频的人员重识别。具体而言，我们设计了一个三叉特征提取器，将原始视频数据联合变换至空间、时间和时空域。此外，受视觉Transformer巨大成功的启发，我们将Transformer结构引入基于视频的人员重识别。本工作中，提出三个自视图Transformer以挖掘局部特征间关系，在空间、时间和时空域中进行信息增强。同时，提出一个跨视图Transformer以聚合多视图特征，得到全面的视频表征。实验结果表明，我们的方法在公开Re-ID基准上优于其他最先进方法。我们将发布代码以供模型复现。
引用
@article{arxiv.2104.01745,
title = {A Video Is Worth Three Views: Trigeminal Transformers for Video-based Person Re-identification},
author = {Xuehu Liu and Pingping Zhang and Chenyang Yu and Huchuan Lu and Xuesheng Qian and Xiaoyun Yang},
journal= {arXiv preprint arXiv:2104.01745},
year = {2021}
}
备注
This work includes 10 pages, 5 figures and 4 Tables