基于局部样本分布的深度自适应特征嵌入用于行人重识别

行人重识别 旨在匹配由不相交摄像机视角观察到的行人。由于其对监控系统的重要性，它在计算机视觉中引起了越来越多的关注。为了应对跨视角视觉变化的主要挑战，人们提出了深度嵌入方法，通过从图像中学习紧凑的特征空间，使得欧氏距离对应于它们的跨视角相似性度量。然而，全局欧氏距离无法忠实地刻画复杂视觉特征空间中的理想相似性，因为行人图像的特征由于姿态、光照和遮挡的巨大变化而呈现出未知分布。此外，局部范围内的类内训练样本对指导深度嵌入对抗不受控的变化具有鲁棒性，然而全局欧氏距离无法捕捉这一点。在本文中，我们通过提出一种新颖的采样方法来研究行人重识别问题，该方法在局部范围内挖掘合适的正样本 (即类内样本)，以在类内变化较大的情况下改进深度嵌入。我们的方法能够通过最小化每个样本的局部距离，并沿着样本间的关系进行传播以实现整个类内的最小化，从而学习自适应于局部样本结构的深度相似性度量。为此，提出了一种新颖的目标函数，以联合优化相似性度量学习、局部正样本挖掘和鲁棒的深度嵌入。这通过选择局部范围内的正样本产生了局部判别性，且学习到的特征对剧烈的类内变化具有鲁棒性。在基准测试上的实验表明，我们的方法取得了 state-of-the-art 的结果。