用于行人重识别的深度强化学习注意力选择
计算机视觉与模式识别
2018-07-10 v4
摘要
现有的行人重识别（re-id）方法假定提供准确裁剪且背景噪声最小的行人边界框，这大多通过人工裁剪实现。当面对必须自动检测行人边界框且需处理极大量图像和/或视频时，这一假设在实践中被严重打破。与精心人工裁剪相比，自动检测的边界框精度相差甚远，并带有随机量的背景杂波，会显著降低行人重识别匹配精度。本工作中，我们开发了一种联合学习深度模型，该模型通过在重识别标签成对约束下最小化背景杂波的强化学习，优化任意自动检测行人边界框内的重识别注意力选择。具体地，我们提出一种称为身份判别注意力强化学习（IDEAL）的新型统一重识别架构，用于在自动检测边界框中准确选择重识别注意力以优化重识别性能。我们的模型能将重识别精度提升至与穷举式人工裁剪边界框相当的水平，并额外具备身份判别注意力选择的优势，特别有益于超越人类认知的重识别任务。广泛的对比评估表明，所提出的 IDEAL 模型在两个自动检测重识别基准 CUHK03 和 Market-1501 上，相对于众多前沿重识别方法具有重识别优势。
引用
@article{arxiv.1707.02785,
title = {Deep Reinforcement Learning Attention Selection for Person Re-Identification},
author = {Xu Lan and Hanxiao Wang and Shaogang Gong and Xiatian Zhu},
journal= {arXiv preprint arXiv:1707.02785},
year = {2018}
}
备注
Additional revision is needed