面向行人重识别的对抗多尺度特征学习
计算机视觉与模式识别
2020-12-29 v1
摘要
行人重识别（Person ReID）是智能监控与计算机视觉中的重要课题。其旨在准确度量行人图像间的视觉相似度，以判断两幅图像是否对应同一人。准确度量视觉相似度的关键在于学习判别性特征，其不仅从不同空间尺度捕获线索，还能在多尺度上联合推断，并具备判定各线索可靠性与身份相关性的能力。为实现这些目标，我们提出从两个角度提升 Person ReID 系统性能：\textbf{1).} 多尺度特征学习（MSFL），由跨尺度信息传播（CSIP）与多尺度特征融合（MSFF）组成，以动态融合不同尺度的特征。\textbf{2).} 多尺度梯度正则器（MSGR），以对抗方式强调身份相关因素并忽略无关因素。结合 MSFL 与 MSGR，我们的方法在四个常用行人重识别数据集上以可忽略的测试时计算开销取得了最先进的性能。
引用
@article{arxiv.2012.14061,
title = {Adversarial Multi-scale Feature Learning for Person Re-identification},
author = {Xinglu Wang},
journal= {arXiv preprint arXiv:2012.14061},
year = {2020}
}