面向视频行人重识别的自适应图表示学习
计算机视觉与模式识别
2020-10-28 v2
摘要
近年来，深度学习模型在视频行人重识别（Re-ID）中的应用取得了显著进展。视频行人重识别的一个关键因素是为诸多复杂场景有效构建具有判别力且鲁棒的视频特征表示。基于部件的方法利用空间和时间注意力来提取具有代表性的局部特征。然而，先前方法忽略了部件之间的相关性，为利用不同部件的关系，我们提出了一种创新的视频行人重识别自适应图表示学习方案，其实现了相关区域特征间的上下文交互。具体而言，我们利用姿态对齐连接与特征亲和连接构建自适应结构感知邻接图，对图节点间的内在关系进行建模。我们在邻接图上执行特征传播以迭代细化区域特征，并在部件特征表示中考虑邻节点信息。为学习紧凑且具判别力的表示，我们进一步提出一种新颖的时间分辨率感知正则化，其对同一身份不同时间分辨率间的一致性进行约束。我们在 iLIDS-VID、PRID2011、MARS 和 DukeMTMC-VideoReID 四个基准上进行了充分评估，实验结果取得了具有竞争力的性能，证明了我们所提方法的有效性。代码见 https://github.com/weleen/AGRL.pytorch。
引用
@article{arxiv.1909.02240,
title = {Adaptive Graph Representation Learning for Video Person Re-identification},
author = {Yiming Wu and Omar El Farouk Bourahla and Xi Li and Fei Wu and Qi Tian and Xue Zhou},
journal= {arXiv preprint arXiv:1909.02240},
year = {2020}
}
备注
10 pages, 7 figures