DeepPFCN：面向行人重识别的深度并行特征共识网络
计算机视觉与模式识别
2019-11-19 v1
摘要
行人重识别旨在不同时刻、跨多个非重叠摄像头视角下关联同一人的图像。在大型摄像头网络中，依赖人工的手动重识别极其耗时且易出错。由于大规模分布式多摄像头系统迅速扩张产生了海量视觉数据，亟需自动化的行人重识别。现有最优工作侧重于学习并将行人外观特征分解为多个语义层级的潜在判别因子。我们提出 DeepPFCN（Deep Parallel Feature Consensus Network，深度并行特征共识网络），一种利用卷积神经网络学习多尺度行人外观特征的新颖网络架构。该模型将行人的视觉外观分解为多个语义层级的潜在判别因子，并最终建立共识。DeepPFCN 学习到的特征表示对行人重识别任务更为鲁棒，因为我们学习了判别性的尺度特定特征，并在多尺度图像输入中最大化多尺度特征融合选择。我们进一步在独立尺度上利用平均池化与最大池化，以全局与局部方式判别行人特定任务的特征。我们在三个基准数据集 Market1501、DukeMTMCreID 和 CUHK03 上展示了所提 DeepPFCN 模型相对于最优重识别方法的优势。我们在这些基准数据集上分别取得了 75.8%、64.3% 和 52.6% 的 mAP 结果。
引用
@article{arxiv.1911.07776,
title = {DeepPFCN: Deep Parallel Feature Consensus Network For Person Re-Identification},
author = {Shubham Kumar Singh and Krishna P Miyapuram and Shanmuganathan Raman},
journal= {arXiv preprint arXiv:1911.07776},
year = {2019}
}
备注
8 pages, 3 Figures, 3 Tables