Deep-Person：学习判别性深度特征用于行人重识别
计算机视觉与模式识别
2019-09-10 v4
摘要
近年来，许多行人重识别(Re-ID)方法依赖基于部件的特征表示来学习判别性行人描述子。然而，由于对每个独立部件使用独立提取器，这些部件之间的空间上下文被忽略。本文提出以端到端方式应用长短期记忆网络(LSTM)来建模行人，将其视为从头部到脚部的身体部件序列。整合上下文信息增强了局部表示的判别能力。我们还利用了局部与全局特征之间的互补信息。此外，我们将识别任务与排序任务集成于同一网络中，同时学习判别性嵌入与相似性度量。这形成了一个名为Deep-Person的新颖三分支框架，可学习用于行人重识别的高度判别性特征。实验结果表明，Deep-Person在包括Market-1501、CUHK03和DukeMTMC-reID在内的三个具有挑战性的数据集上大幅优于当前最优方法。具体而言，结合重排序方法，我们在单查询设置下的Market-1501上取得了90.84%的mAP。
引用
@article{arxiv.1711.10658,
title = {Deep-Person: Learning Discriminative Deep Features for Person Re-Identification},
author = {Xiang Bai and Mingkun Yang and Tengteng Huang and Zhiyong Dou and Rui Yu and Yongchao Xu},
journal= {arXiv preprint arXiv:1711.10658},
year = {2019}
}
备注
Accepted to Pattern Recognition. The code is released: https://github.com/zydou/Deep-Person