基于相对局部距离挖掘行人底层结构模式用于行人重识别
计算机视觉与模式识别
2019-01-30 v1
摘要
由于姿态多变、相机视角可变以及行人检测器不完善，为行人重识别(re-ID)建模底层行人结构十分困难。如何在不使用额外标注的情况下利用底层行人结构信息来提升行人重识别性能，在很大程度上仍未被探索。为解决该问题，我们提出了一种新颖的相对局部距离(Relative Local Distance, RLD)方法，以端到端的方式将相对局部距离约束集成到卷积神经网络(CNNs)中。这是首次提出相对局部约束来引导全局特征表示学习。具体而言，利用特征图计算相对局部距离矩阵，并将其作为正则化项引导CNN学习结构感知的特征表示。借助所挖掘的底层行人结构，RLD方法在全局与局部特征表示之间架起桥梁，从而提升行人重识别的特征表示能力。此外，与传统方法相比，RLD还显著加速了深度网络训练。实验结果表明RLD在CUHK03、Market-1501和DukeMTMC-reID数据集上的有效性。代码见\url{https://github.com/Wanggcong/RLD_codes}。
引用
@article{arxiv.1901.10100,
title = {Discovering Underlying Person Structure Pattern with Relative Local Distance for Person Re-identification},
author = {Guangcong Wang and Jianhuang Lai and Zhenyu Xie and Xiaohua Xie},
journal= {arXiv preprint arXiv:1901.10100},
year = {2019}
}
备注
9 pages