通过稀疏非冗余代表选择实现多摄像机行人识别模型的连续自适应
计算机视觉与模式识别
2016-07-05 v1
摘要
基于图像的行人识别/辨认问题是根据描述某人外观的学习模型为其图像提供身份。大多数传统行人识别系统依赖于在繁琐标注的训练数据上学习静态模型。尽管人工标注是监督框架不可或缺的一部分，但对于大规模识别系统，标注海量数据是一项显著开销。对于摄像机网络中典型遇到的大型多传感器数据，标注大量样本并不总是意味着更多信息，因为冗余图像被多次标注。本工作中，我们提出一种基于凸优化的迭代框架，逐步且审慎地选择稀疏但信息丰富的样本集进行标注，并与先前标注图像重叠最小。我们还使用结构保持稀疏重构分类器来减少判别分类器中常见的训练负担。这种两阶段方法产生了一种新颖的在线更新分类器框架，仅涉及并入新标注数据而非任何昂贵训练阶段。我们在多摄像机行人重识别数据集上展示了方法的有效性，以证明在多摄像机大数据应用中学习在线分类模型的可行性。使用三个基准数据集，我们验证了方法，并表明我们的框架以显著更少的人工标注实现了更优性能。
引用
@article{arxiv.1607.00417,
title = {Continuous Adaptation of Multi-Camera Person Identification Models through Sparse Non-redundant Representative Selection},
author = {Abir Das and Rameswar Panda and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:1607.00417},
year = {2016}
}