基于自适应深度度量嵌入的遮挡行人重识别
计算机视觉与模式识别
2020-02-10 v1
摘要
遮挡条件下的行人重识别（ReID）是视频监控中的一个挑战性问题。现有多数行人 ReID 方法利用局部特征来处理遮挡。然而，这些方法通常独立地从图像的局部区域提取特征，而未考虑不同局部区域之间的关系。本文提出一种新颖的行人 ReID 方法，其基于长短期记忆（LSTM）学习局部区域间的空间依赖并提取行人图像的判别性特征表示，以应对遮挡问题。特别地，我们提出一种基于分类不确定性的新颖损失（称为自适应最近邻损失），以在样本的自适应邻域内有效减小类内差异同时增大类间差异。所提损失使深度神经网络能够自适应地学习判别性度量嵌入，显著提升了识别未见行人身份的泛化能力。在具有挑战性的行人 ReID 数据集上的大量对比评估表明，与若干最先进方法相比，所提方法性能显著提升。
引用
@article{arxiv.2002.02603,
title = {Adaptive Deep Metric Embeddings for Person Re-Identification under Occlusions},
author = {Wanxiang Yang and Yan Yan and Si Chen},
journal= {arXiv preprint arXiv:2002.02603},
year = {2020}
}
备注
6 pages, 3 figures