用于行人重识别的深度约束主导集方法
计算机视觉与模式识别
2019-06-20 v2
摘要
在这项工作中，我们提出一种端到端约束聚类方案来解决行人重识别（re-id）问题。深度神经网络（DNN）近来被证明对行人重识别任务有效。特别地，相较于仅利用探针-图库相似度，以端到端方式在图库图像间扩散相似度已被证明能有效地产生鲁棒的探针-图库亲和力。然而，现有方法未将探针图像作为约束，并且在相似度扩散过程中易于噪声传播。为克服此问题，我们提出一种新颖方案，将行人图像检索问题视为一个约束聚类优化问题，称为深度约束主导集（DCDS）。给定探针和图库图像，我们将行人重识别问题重新表述为寻找一个约束簇，其中探针图像作为约束（种子），每个簇对应于属于同一人的一组图像。通过端到端优化约束聚类，我们自然地利用了对应于给定行人图像的一组图像的上下文知识。我们进一步通过集成一个 alongside DCDS 的辅助网络来增强性能，该网络采用多尺度 Resnet。为验证我们方法的有效性，我们在多个基准数据集上进行了实验，并表明所提方法能优于最先进的方法。
引用
@article{arxiv.1904.11397,
title = {Deep Constrained Dominant Sets for Person Re-identification},
author = {Leulseged Tesfaye Alemu and Marcello Pelillo and Mubarak Shah},
journal= {arXiv preprint arXiv:1904.11397},
year = {2019}
}