基于深度协同注意力的比较器用于行人重识别中的相对表征学习
计算机视觉与模式识别
2018-05-01 v1
摘要
行人重识别（re-ID）需要快速、灵活且具有判别力的表征，以即时泛化到未见观测并跨不相交摄像头视角识别同一身份。近期有效方法在成对相似性学习系统中开发，从各异区域检测固定特征集并映射至其向量嵌入以进行距离度量。然而，每幅图像中最相关且关键的部分是独立检测的，未参照彼此条件依赖。此外，这些基于区域的方法依赖空间操作来定位局部特征以进行可比较的相似性度量。为克服这些局限，本文引入基于深度协同注意力的比较器（DCCs），其融合成对图像的共依赖表征，从而聚焦于两幅图像的相关部分并生成它们的相对表征（relative representations）。给定一对待比较的行人图像，所提模型模拟人眼中央凹注视以同时检测两幅图像上的相异区域（即共依赖特征），并交替关注相关区域将其融合进相似性学习。我们的比较器每次都能生成相对于特定样本的动态表征，因而非常适用于即时重识别行人的场景。我们进行了大量实验以提供见解并证明所提 DCCs 在行人重识别中的有效性。此外，我们的方法在三个基准数据集上取得了最先进（state-of-the-art）性能：DukeMTMC-reID、CUHK03 和 Market-1501。
引用
@article{arxiv.1804.11027,
title = {Deep Co-attention based Comparators For Relative Representation Learning in Person Re-identification},
author = {Lin Wu and Yang Wang and Junbin Gao and Dacheng Tao},
journal= {arXiv preprint arXiv:1804.11027},
year = {2018}
}