具有前景注意力的判别性特征学习用于行人重识别
计算机视觉与模式识别
2021-12-01 v2
摘要
由于相互遮挡和背景杂乱引起的跨视角外观巨大差异，行人重识别(Re-ID)的性能受到严重影响。因此，学习一种能够自适应突出前景行人的特征表示，成为解决行人Re-ID问题的关键。本文提出一种简单而有效的前景注意力神经网络(FANN)，用于学习行人Re-ID的判别性特征表示，其可自适应增强前景正侧并削弱背景负侧。具体而言，设计了一种新颖的前景注意力子网络来驱动网络的注意力，其中解码器网络利用一种新颖的局部回归损失函数重建二值掩码，编码器网络受解码器网络正则化以将注意力聚焦于前景行人。编码器网络生成的特征图进一步送入身体部位子网络与特征融合子网络以学习判别性特征。此外，引入一种新颖的对称三元组损失函数来监督特征学习，其在每个三元组单元中同时最小化类内距离并最大化类间距离。在多任务学习框架下训练我们的FANN，可学习到判别性特征表示，从而在候选集中为各探针找到匹配的参考。在多个公开基准数据集上的大量实验结果评估表明，我们的方法相对于最先进方法有明显提升。
引用
@article{arxiv.1807.01455,
title = {Discriminative Feature Learning with Foreground Attention for Person Re-Identification},
author = {Sanping Zhou and Jinjun Wang and Deyu Meng and Yudong Liang and Yihong Gong and Nanning Zheng},
journal= {arXiv preprint arXiv:1807.01455},
year = {2021}
}