具备置信度的深度视觉重识别
计算机视觉与模式识别
2020-09-11 v2
摘要
交通系统常依赖于理解车辆或行人的流动。从城市尺度的交通监控，到火车站内的通勤者，传感技术的最新进展使得利用摄像头更好地理解需求成为可能，即更好地跟踪移动主体（例如车辆与行人）。无论摄像头搭载于无人机、车辆上，还是固定于建成环境中，它们不可避免地仍是分散的。我们需要开发技术以在非重叠视场捕获的图像间重识别同一主体，这被称为视觉重识别任务。最先进的方法学习基于神经网络、以交叉熵损失函数训练的表示。我们认为此类损失函数并不适合视觉重识别任务，因此提出在表示学习框架中对置信度进行建模。我们通过三种方法展示基于置信度的学习框架的影响：标签平滑、置信度惩罚以及深度变分信息瓶颈。它们均显示出性能提升，验证了我们的主张。我们的贡献对任意感兴趣的主体（即车辆或行人）均通用，并在 5 个数据集上超越高度专门化的先进方法。源代码与模型已共享以推进开放科学使命。
引用
@article{arxiv.1906.04692,
title = {Deep Visual Re-Identification with Confidence},
author = {George Adaimi and Sven Kreiss and Alexandre Alahi},
journal= {arXiv preprint arXiv:1906.04692},
year = {2020}
}
备注
Show improvements on vehicle Re-ID datasets; Methods Clarified