面向行人重识别的跨域知识迁移
计算机视觉与模式识别
2016-11-21 v1
摘要
行人重识别是计算机视觉中的一项具有挑战性的任务，尤其是在来自多个摄像机视角的训练数据有限的情况下。本文提出了一种基于深度学习的行人重识别方法，通过迁移中层属性特征和高层分类特征的知识。基于身份分类、属性识别和重识别共享相同的中层语义表示这一思想，它们可以通过基于一个任务微调另一个任务进行顺序训练。在我们的框架中，我们通过深度卷积神经网络训练身份分类和属性识别任务以学习行人信息。这些信息可以迁移到行人重识别任务中，并大幅提高其准确率。此外，基于长短期记忆（LSTM）的循环神经网络（RNN）组件通过一个空间门进行了扩展。该组件用于重识别模型中，以关注每个循环单元中的特定空间部分。实验结果表明，我们的方法在 CUHK03 基准测试上达到了 78.3% 的 rank-1 识别准确率。
引用
@article{arxiv.1611.06026,
title = {Cross Domain Knowledge Transfer for Person Re-identification},
author = {Qiqi Xiao and Kelei Cao and Haonan Chen and Fangyue Peng and Chi Zhang},
journal= {arXiv preprint arXiv:1611.06026},
year = {2016}
}
备注
8 pages