用于视频行人重识别的属性感知身份难例三元组损失
计算机视觉与模式识别
2020-06-16 v1
摘要
基于视频的行人重识别（Re-ID）是一项重要的计算机视觉任务。视频行人重识别中常用的批次难例三元组损失存在不同正样本间距离方差（DVDP）问题。在本文中，我们通过引入一种称为属性感知身份难例三元组损失（AITL）的新度量学习方法来解决此问题，该方法通过计算属性距离来减小正样本间的类内变化。为实现完整的视频行人重识别模型，我们还提出了一种带有属性驱动时空注意力（ASTA）机制的多任务框架。在 MARS 和 DukeMTMC-VID 数据集上的大量实验表明，AITL 和 ASTA 都非常有效。在它们的增强下，即使是一个简单的轻量级视频行人重识别基线模型也能超越现有的最先进方法。代码已发布在 https://github.com/yuange250/Video-based-person-ReID-with-Attribute-information。
引用
@article{arxiv.2006.07597,
title = {Attribute-aware Identity-hard Triplet Loss for Video-based Person Re-identification},
author = {Zhiyuan Chen and Annan Li and Shilu Jiang and Yunhong Wang},
journal= {arXiv preprint arXiv:2006.07597},
year = {2020}
}