通过相似性学习、重排后处理与排序聚合利用特征表示进行行人重识别
计算机视觉与模式识别
2018-04-13 v1
摘要
近年来，行人重识别受到了人体分析领域的特别关注。为应对该领域的挑战，许多研究者提出了不同策略，基本着眼于利用跨视角不变特征或跨视角鲁棒度量。本工作中，我们提出利用重排后处理方法，并通过排序聚合组合不同特征表示。潜在有益于行人匹配的空域信息由 2D 身体模型表示，从中提取并组合颜色和纹理信息。我们还考虑了通过 Deep Decompositional Network 自动提取的前景/背景信息，以及卷积神经网络（CNN）特征的使用。为描述图像间匹配，我们使用多项式特征映射，同时考虑局部与全局信息。基于判别上下文信息分析的重排后处理方法用于改进初始排序列表。最后，采用 Stuart 排序聚合方法组合由不同特征表示获得的互补排序列表。实验结果表明，我们在 VIPeR 和 PRID450s 数据集上超越了最先进水平，分别在 top-1 识别率上达到 67.21% 和 75.64%，并在 CUHK01 数据集上取得具竞争力的结果。
引用
@article{arxiv.1804.04419,
title = {Exploiting feature representations through similarity learning, post-ranking and ranking aggregation for person re-identification},
author = {Julio C. S. Jacques Junior and Xavier Baró and Sergio Escalera},
journal= {arXiv preprint arXiv:1804.04419},
year = {2018}
}
备注
Preprint submitted to Image and Vision Computing