面向大幅变化行人重识别的深度度量嵌入
计算机视觉与模式识别
2016-11-02 v1 机器学习
摘要
行人重识别由于姿态、光照、遮挡和相机视角的大幅变化而具有挑战性。尽管当前的卷积神经网络（CNN）具备特征提取能力，但由于这些变化，行人在特征空间中分布为高度弯曲的流形。然而，该分布未知，因此在比较两个样本时难以使用测地距离。在实践中，当前的深度嵌入方法在训练和测试中使用欧氏距离。另一方面，流形学习方法建议在局部范围内使用欧氏距离，并结合样本间的图关系来近似测地距离。从这一观点出发，在局部范围内选择合适的正样本（即类内样本）对于训练CNN嵌入至关重要，尤其是当数据具有较大的类内变化时。本文提出一种新颖的中等正样本挖掘方法来训练鲁棒的CNN以进行行人重识别，应对大变化问题。此外，我们通过度量权重约束改进学习，使学习到的度量具有更好的泛化能力。实验表明，这两种策略对于学习鲁棒的行人重识别深度度量是有效的，并且我们的深度模型在多个行人重识别基准上显著优于最先进的方法。因此，本文的研究可能有助于启发行人重识别深度模型的新设计。
引用
@article{arxiv.1611.00137,
title = {Embedding Deep Metric for Person Re-identication A Study Against Large Variations},
author = {Hailin Shi and Yang Yang and Xiangyu Zhu and Shengcai Liao and Zhen Lei and Weishi Zheng and Stan Z. Li},
journal= {arXiv preprint arXiv:1611.00137},
year = {2016}
}
备注
Published in ECCV2016. arXiv admin note: substantial text overlap with arXiv:1511.07545