DotSCN：通过域迁移的单人与双人表征学习进行群体重识别
计算机视觉与模式识别
2020-10-14 v2 多媒体
摘要
群体重识别（G-ReID）是一项重要但研究较少的任务。其挑战不仅在于通用行人重识别（ReID）中已被充分研究的个体外观变化，还源自群体布局与成员变化。因此 G-ReID 的关键任务是学习对此类变化鲁棒的表征。为解决该问题，我们提出迁移单人与双人表征学习网络（TSCN）。其优点有两个方面：1）由于缺少带标签的训练样本，现有 G-ReID 方法主要依赖不尽如人意的手工特征。为获得深度学习模型的优势，我们将群体视为多个行人，并把带标签 ReID 数据集的域迁移至 G-ReID 目标数据集风格以学习单人表征。2）考虑到群体内邻里关系，我们进一步提出学习两名群体成员之间新颖的双人表征，在 G-ReID 任务中取得更强的判别力。此外，利用一种无监督权重学习方法，根据结果模式自适应地将不同视角的结果融合在一起。大量实验结果证明了我们方法的有效性：在 Road Group 数据集上以 11.7% CMC-1、在 DukeMCMT 数据集上以 39.0% CMC-1 显著优于最先进方法。
引用
@article{arxiv.1905.04854,
title = {DotSCN: Group Re-identification via Domain-Transferred Single and Couple Representation Learning},
author = {Ziling Huang and Zheng Wang and Chung-Chi Tsai and Shin'ichi Satoh and Chia-Wen Lin},
journal= {arXiv preprint arXiv:1905.04854},
year = {2020}
}
备注
accepted in IEEE Transctions on Circuits and Systems for Video Technology