用于行人重识别的交叉熵对抗视角自适应
计算机视觉与模式识别
2019-07-24 v2
摘要
行人重识别（re-ID）是在不相交相机视角下匹配行人的任务。为识别成对快照，必须应对由相机视角偏移引起的巨大跨视角变化。有监督深度神经网络能有效地产生一组非线性投影，可将跨视角图像变换到公共特征空间。然而，它们通常施加对称架构，导致网络在优化上病态。在本文中，我们采用对抗视角自适应方法学习用于行人重识别的视角不变子空间及其相应相似性度量。主要贡献是学习关于视角特征的耦合非对称映射，这些映射通过对抗训练、优化交叉熵视角混淆目标来解决视角差异。为确定相似性值，网络配备相似性判别器以促进在区分正负对中高度判别的特征。另一贡献包括对最困难样本的自适应加权，以解决类内/类间样本对的不平衡。与基准数据集上的最优方法相比，我们的方法取得了显著提升的性能。
引用
@article{arxiv.1904.01755,
title = {Cross-Entropy Adversarial View Adaptation for Person Re-identification},
author = {Lin Wu and Richang Hong and Yang Wang and Meng Wang},
journal= {arXiv preprint arXiv:1904.01755},
year = {2019}
}
备注
Appearing at IEEE Transactions on Circuits and Systems for Video Technology