结合人体解析与解析特征提取及排序方案以实现高泛化行人重识别
计算机视觉与模式识别
2022-07-29 v1
摘要
行人重识别（re-ID）近年来因其对科学和社会的重要性而受到越来越多的关注。机器学习尤其是深度学习（DL）已成为主要的重识别工具，使研究者在基准数据集上达到了前所未有的准确率水平。然而，DL模型存在已知的泛化性差的问题。即，在一个数据集上训练以达到高准确率的模型在其他数据集上表现不佳，需要重新训练。为解决此问题，我们提出了一种无训练参数的模型，其展现出高泛化的巨大潜力。它将完全解析的特征提取与相似性排序方案，与基于DL的人体解析（用于获取初始子区域分类）相结合。我们表明这种组合在很大程度上消除了现有解析方法的缺点。我们使用了可解释的色度和纹理特征，其关联有人类可读的相似性度量。为验证所提方法，我们在Market1501和CUHK03数据集上进行了实验，取得了可与DL模型竞争的rank-1准确率。最重要的是，我们表明在应用于迁移学习任务时，我们的方法实现了63.9%和93.5%的rank-1跨域准确率，显著高于先前报道的30-50%迁移准确率。我们讨论了添加新特征以进一步改进模型的潜在途径。我们还展示了可解释特征在从语言描述构建人工生成查询以在无查询图像情况下进行搜索的优势。
引用
@article{arxiv.2207.14243,
title = {Combining human parsing with analytical feature extraction and ranking schemes for high-generalization person reidentification},
author = {Nikita Gabdullin},
journal= {arXiv preprint arXiv:2207.14243},
year = {2022}
}
备注
20 pages, 7 figures, 6 tables, 15 equations