DeepChange：一个具有换衣特征的大型长期行人重识别基准
计算机视觉与模式识别
2022-03-03 v4
摘要
现有行人重识别（re-id）工作大多考虑无换衣的短期应用场景。然而在真实世界中，我们常在不同时空下穿着不同。为解决这一反差，近期已有少量针对换衣长期重识别的尝试。当前该领域最显著的局限之一是缺乏大型真实基准。本工作中，我们贡献了一个大型、真实的长期行人重识别基准，命名为 DeepChange。它具有若干独特特征：（1）真实且丰富的个人外观（如衣物与发型）及变化：高度多样的换衣与风格，再出现时间间隔从数分钟到跨季节，不同天气条件（如晴、多云、大风、雨、雪、极冷）与事件（如工作、休闲、日常活动）。（2）丰富的相机设置：原始视频由 17 个在真实监控系统下运行的不同分辨率室外相机录制。（3）当前最大规模的（17）个相机、（1,121）个身份与（178,407）个边界框，跨越最长时段（12 个月）。此外，我们探究了应对换衣挑战的多模态融合策略。大量实验表明，我们的融合模型在 DeepChange 上优于多种最先进模型。我们的数据集与文档发布于 https://github.com/PengBoXiangShang/deepchange。
引用
@article{arxiv.2105.14685,
title = {DeepChange: A Large Long-Term Person Re-Identification Benchmark with Clothes Change},
author = {Peng Xu and Xiatian Zhu},
journal= {arXiv preprint arXiv:2105.14685},
year = {2022}
}