用于无监督行人重识别的跨视角非对称度量学习
计算机视觉与模式识别
2017-10-19 v2
摘要
虽然度量学习对于行人重识别（RE-ID，视觉监控中用于跨视角行人匹配的一个重要问题）至关重要，但现有的 RE-ID 度量模型大多基于监督学习，这要求在所有成对的摄像机视角中拥有大量标注样本以进行训练。然而，这限制了它们在实际应用中的可扩展性，因为在实际应用中，跨多个不相交摄像机视角的大量数据是可获取的但未标注。为了克服这一问题，我们提出了一种用于无监督 RE-ID 的无监督非对称度量学习。我们的模型旨在基于跨视角行人图像的非对称聚类，学习一种非对称度量，即为每个视角学习特定的投影。我们的模型寻找一个共享空间，在该空间中视角特定偏差得到缓解，从而可以获得更好的匹配性能。我们在一个基线和五个大规模 RE-ID 数据集上进行了大量实验，以证明所提出模型的有效性。通过比较，我们表明与经典的无监督度量学习模型相比，我们的模型更适合于无监督 RE-ID。我们还与现有的无监督 RE-ID 方法进行了比较，我们的模型以显著优势优于它们。具体而言，我们报告了在大规模无标注 RE-ID 数据集上的结果，这在文献中非常重要但遗憾的是较少受到关注。
引用
@article{arxiv.1708.08062,
title = {Cross-view Asymmetric Metric Learning for Unsupervised Person Re-identification},
author = {Hong-Xing Yu and Ancong Wu and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:1708.08062},
year = {2017}
}