基于上下文与相关性联合循环学习的属性识别
计算机视觉与模式识别
2017-09-26 v1
摘要
在监控图像中识别行人语义属性是计算机视觉领域一项具有挑战性的任务，尤其在成像质量差、背景杂乱、视角条件不受控制且标注训练数据量小的情况下更是如此。本文中，我们构建了一个联合循环学习（JRL）模型，用于探索属性上下文与相关性，以在训练数据量小且图像质量差的情况下提升属性识别性能。该JRL模型在端到端的编码器/解码器循环网络中，联合学习行人图像中的行人属性相关性，特别是它们的顺序依赖关系（潜在高阶相关性）。我们在两个最大的行人属性基准数据集PETA和RAP上，展示了JRL模型相较于众多最先进的深度模型在行人属性识别、多标签图像分类以及多人图像标注任务上的性能优势与鲁棒性。
引用
@article{arxiv.1709.08553,
title = {Attribute Recognition by Joint Recurrent Learning of Context and Correlation},
author = {Jingya Wang and Xiatian Zhu and Shaogang Gong and Wei Li},
journal= {arXiv preprint arXiv:1709.08553},
year = {2017}
}
备注
Accepted by ICCV 2017