用于基于视频的人员重识别的小样本深度对抗学习
计算机视觉与模式识别
2019-09-13 v3
摘要
基于视频的人员重识别（re-ID）是指从任意未对齐的视频片段中跨摄像头视角匹配行人。现有方法依赖监督信号来优化一个投影空间，使视频间/视频内距离被最大/最小化。然而，这需要对跨摄像头视角的行人进行穷尽标注，导致它们无法在大型联网摄像头中扩展。此外，注意到具有视角不变性的有效视频表示学习未被显式解决，否则特征会呈现不同分布。因此，用于人员重识别的视频匹配需要灵活的模型来捕获时间序列观测中的动态，并在有限标注训练样本下学习视角不变表示。本文中，我们提出一种新颖的用于基于视频的人员重识别的小样本深度学习方法，以学习具有判别性且视角不变的可比表示。所提方法基于变分循环神经网络（VRNNs）开发，并以对抗方式训练，产生具有时间依赖性的潜变量，这些变量在匹配行人时高度判别且视角不变。通过在三个基准数据集上的大量实验，我们实证展示了我们的方法在创建视角不变时间特征方面的能力，以及我们的方法所达到的 state-of-the-art 性能。
引用
@article{arxiv.1903.12395,
title = {Few-Shot Deep Adversarial Learning for Video-based Person Re-identification},
author = {Lin Wu and Yang Wang and Hongzhi Yin and Meng Wang and Ling Shao},
journal= {arXiv preprint arXiv:1903.12395},
year = {2019}
}
备注
Appearing at IEEE Transactions on Image Processing