超越部件模型：基于精细化部件池化（及强卷积基线）的行人检索
计算机视觉与模式识别
2018-01-10 v3
摘要
在近期文献中，采用部件级特征来描述行人图像可提供细粒度信息，并被证实有利于行人检索。部件发现的一个前提是每个部件都应被良好定位。本文不借助姿态估计等外部线索直接定位部件，而是侧重于每个部件内部的内容一致性。具体而言，我们的目标是为行人检索学习具有判别性的部件感知特征，并做出两点贡献。（i）一个名为基于部件的卷积基线（PCB）的网络。给定图像输入，它输出由若干部件级特征构成的卷积描述符。采用均匀划分策略，PCB取得了与最先进方法相竞争的结果，证明了其作为行人检索强卷积基线的地位。（ii）一种精细化部件池化（RPP）方法。均匀划分不可避免地会在每个部件中引入离群点，这些离群点实际上与其他部件更为相似。RPP将这些离群点重新分配给与之最接近的部件，从而得到内部一致性增强的精细化部件。实验证实，RPP使PCB获得新一轮性能提升。例如，在Market-1501数据集上，我们取得了(77.4+4.2)%的mAP和(92.3+1.5)%的rank-1准确率，大幅超越现有最优水平。
引用
@article{arxiv.1711.09349,
title = {Beyond Part Models: Person Retrieval with Refined Part Pooling (and a Strong Convolutional Baseline)},
author = {Yifan Sun and Liang Zheng and Yi Yang and Qi Tian and Shengjin Wang},
journal= {arXiv preprint arXiv:1711.09349},
year = {2018}
}