面向换装行人重识别的服饰不变特征学习
计算机视觉与模式识别
2020-08-18 v2
摘要
随着深度学习方法的兴起，行人重识别（ReID）性能在许多公开数据集上得到了极大提升。然而，大多数公开 ReID 数据集是在较短时间窗内采集的，其中人的外观很少发生变化。在诸如商场等真实应用场景中，同一人的服装可能改变，而不同人可能穿着相似衣服。所有这些情况都会导致 ReID 性能的不一致，揭示出一个关键问题：当前 ReID 模型严重依赖于人的服饰。因此，在换装或多人穿相似衣服等情况下，学习服饰不变的行人表征至关重要。在本工作中，我们从不变特征表征学习的视角解决该问题。本工作的主要贡献如下：（1）我们提出了半监督服饰不变特征学习（AIFL）框架，利用同一人穿不同衣服的图像来学习服饰不变的行人表征。（2）为获取同一人穿不同衣服的图像，我们提出了一种无监督服饰模拟 GAN（AS-GAN），根据目标服装嵌入合成换装图像。值得注意的是，ReID 任务中使用的图像是从真实世界低质量 CCTV 视频中裁剪得到的，这使得换装图像的合成更具挑战性。我们在多个数据集上对比若干基线进行了大量实验。实验结果表明，我们的方案能提升基线模型的 ReID 性能。
引用
@article{arxiv.2008.06181,
title = {Apparel-invariant Feature Learning for Apparel-changed Person Re-identification},
author = {Zhengxu Yu and Yilun Zhao and Bin Hong and Zhongming Jin and Jianqiang Huang and Deng Cai and Xiaofei He and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:2008.06181},
year = {2020}
}
备注
10 pages