面向行人重识别的深度特征自适应重排序
计算机视觉与模式识别
2018-11-22 v1 机器学习
摘要
典型的行人重识别(re-ID)方法训练深度CNN以提取深度特征，并将其与距离度量相结合用于最终评估。在本工作中，我们致力于挖掘深度特征中编码的全部信息以提升重识别性能。首先，我们提出深度特征融合(DFF)方法，以利用深度特征中蕴含的多样化信息。DFF将每个子特征视为信息载体，并采用扩散过程来交换它们的信息。其次，我们提出自适应重排序(ARR)方法，以利用邻居特征中编码的上下文信息。ARR利用上下文信息以迭代方式对检索结果进行重排序。特别地，它在每次迭代后自动加入更多上下文信息以考虑更多匹配。第三，我们提出一种结合DFF与ARR的策略以增强性能。大量对比评估证明了所提方法在三个大型基准上的优越性。
引用
@article{arxiv.1811.08561,
title = {Adaptive Re-ranking of Deep Feature for Person Re-identification},
author = {Yong Liu and Lin Shang and Andy Song},
journal= {arXiv preprint arXiv:1811.08561},
year = {2018}
}