AttKGCN：用于行人重识别的属性知识图卷积网络
计算机视觉与模式识别
2019-11-26 v1
摘要
行人图像判别性特征表示对行人重识别（Re-ID）任务十分重要。近来，属性已被证明有益于引导学习更具判别性的 Re-ID 特征表示。由于属性通常在行人图像中共现，建模属性依赖关系以改进属性预测进而改进 Re-ID 结果是可取的。本文中，我们提出通过新颖的属性知识图（AttKG）建模这些属性依赖关系，并提出一种新颖的属性知识图卷积网络（AttKGCN）以解决 Re-ID 问题。AttKGCN 将属性预测与 Re-ID 学习集成于统一的端到端框架中，可分别提升其性能。AttKGCN 首先构建有向属性 KG，其节点表示属性，边编码不同属性的共现关系。随后，AttKGCN 学习一组相互依赖的属性分类器，并与行人视觉描述子结合用于属性预测。最后，AttKGCN 将属性描述与深度视觉表示相整合，构建更具判别性的特征表示用于 Re-ID 任务。在多个基准数据集上的大量实验证明了 AttKGCN 在属性预测与 Re-ID 任务上的有效性。
引用
@article{arxiv.1911.10544,
title = {AttKGCN: Attribute Knowledge Graph Convolutional Network for Person Re-identification},
author = {Bo Jiang and Xixi Wang and Jin Tang},
journal= {arXiv preprint arXiv:1911.10544},
year = {2019}
}