基于联合表示学习的行人重识别深度排序
计算机视觉与模式识别
2016-05-04 v2
摘要
本文提出一种用于行人重识别（person re-identification）的新方法，该任务是分布式多摄像头监控系统中的基础任务。尽管过去几年提出了多种强大算法，它们大多单独或顺序地聚焦于设计手工特征与学习度量。与以往工作不同，我们构建了一个统一的深度排序框架，联合处理这两个关键组件以最大化其优势。我们从以下原则出发：探针图像的正确匹配应位于整个图库集中的顶尖排序位置。提出了一种有效的学习排序（learning-to-rank）算法，以最小化对应于图库排序紊乱的代价。该排序模型通过深度卷积神经网络（CNN）求解，CNN 直接从原始图像像素通过联合表示学习建立输入图像对与其相似度得分之间的关系。所提框架使我们摆脱特征工程且不依赖任何假设。给出了广泛的对比评估，表明我们的方法显著优于所有最先进（state-of-the-art）方法，包括在传统及基于 CNN 的方法上，在具有挑战性的 VIPeR、CUHK-01 和 CAVIAR4REID 数据集上。此外，我们的方法在跨数据集泛化方面具有更好的能力，无需微调。
引用
@article{arxiv.1505.06821,
title = {Deep Ranking for Person Re-identification via Joint Representation Learning},
author = {Shi-Zhe Chen and Chun-Chao Guo and Jian-Huang Lai},
journal= {arXiv preprint arXiv:1505.06821},
year = {2016}
}
备注
15 pages, 15 figures, IEEE Transactions on Image Processing (TIP), 2016