面向行人重识别的大自适应边界学习深度排序模型
计算机视觉与模式识别
2017-09-26 v2
摘要
行人重识别旨在跨不相交摄像头视角匹配同一人的图像，是视频监控中的挑战性问题。该任务的主要挑战在于如何保持同一人在复杂背景、相互遮挡及不同光照引起的巨大变化下的相似性，同时区分不同个体。本文提出一种新颖的深度排序模型，通过在学习类内距离与类间距离之间大自适应边界的同时进行特征学习与融合，以解决行人重识别问题。具体而言，我们将训练图像组织成批量成对样本。以这些成对样本作为输入，我们构建了一种新颖的基于部件的深层卷积神经网络（CNN）以通过保持大自适应边界来学习分层特征表示。最终，所学模型能通过判别且稳定的特征表示，在画廊图像集的若干候选中有效找出与锚图像匹配的目标。克服了传统固定边界损失函数的缺陷，我们的自适应边界损失函数更适用于动态特征空间。在四个基准数据集 PRID2011、Market1501、CUHK01 和 3DPeS 上，我们进行了广泛的对比评估，以证明所提方法相对于行人重识别中最先进方法的优势。
引用
@article{arxiv.1707.00409,
title = {Deep Ranking Model by Large Adaptive Margin Learning for Person Re-identification},
author = {Jiayun Wang and Sanping Zhou and Jinjun Wang and Qiqi Hou},
journal= {arXiv preprint arXiv:1707.00409},
year = {2017}
}
备注
Accepted to Pattern Recognition