域自适应第一人称行人重识别
计算机视觉与模式识别
2021-03-09 v1
摘要
第一人称（自我中心）视觉中的行人重识别（re-ID）是一个相当新颖且未被探索的问题。随着可穿戴视频录制设备的增多，自我中心数据变得易于获取，行人重识别有望从中极大受益。然而，由于大多数录制内容视频质量差且缺乏个体，用于行人重识别的大规模结构化自我中心数据集严重匮乏。尽管基于固定监控摄像头的行人重识别已有大量研究，但这些并不能直接惠及自我中心 re-ID。由于在公开的大规模 re-ID 数据集上训练的机器学习模型受数据集偏差问题影响，无法应用于自我中心 re-ID。所提算法利用神经风格迁移（NST）结合一种卷积神经网络（CNN）变体，以兼顾固定摄像头视觉与第一人称视觉的优势。NST 生成兼具自我中心数据集与固定摄像头数据集特征的图像，并将其输入在固定摄像头数据集上训练的 VGG-16 网络以提取特征。随后利用这些提取的特征进行个体重识别。本工作采用固定摄像头数据集 Market-1501 与第一人称数据集 EGO Re-ID，其结果可与当前自我中心领域的重识别模型相媲美。
引用
@article{arxiv.2103.04870,
title = {Domain Adaptive Egocentric Person Re-identification},
author = {Ankit Choudhary and Deepak Mishra and Arnab Karmakar},
journal= {arXiv preprint arXiv:2103.04870},
year = {2021}
}
备注
12 pages, 4 figures, In Proceedings of the Fifth IAPR International Conference on Computer Vision & Image Processing (CVIP), 2020