面向行人重识别中重排序的图卷积方法
计算机视觉与模式识别
2022-01-31 v2
摘要
如今，深度学习被广泛用于提取特征以计算行人重识别(re-ID)中的相似度，并取得了巨大成功。然而，由于训练与测试 ID 不重叠，用于模型训练的数据与测试数据之间的差异使得学习到的特征在测试时性能下降。因此，人们提出了重排序来缓解该问题，并已开发了多种算法。然而，大多数现有重排序方法侧重于用复杂的度量距离替换欧氏距离，这不利于下游任务，且难以在实际应用中的海量数据快速检索中使用。本工作中，我们提出一种基于图的重排序方法，在仍保持欧氏距离作为相似度度量的同时改进学习到的特征。受图卷积网络启发，我们设计了一种在适当图上传播特征的算子。由于图是传播的关键，设计图时考虑了两个重要准则，并相应探索了三种不同的图。此外，提出一种简单而有效的方法为视频中每个 tracklet 生成轮廓向量，有助于将我们的方法扩展到视频 re-ID。在 Market-1501、Duke 和 MARS 三个基准数据集上的大量实验证明了我们所提方法的有效性。
引用
@article{arxiv.2107.02220,
title = {Graph Convolution for Re-ranking in Person Re-identification},
author = {Yuqi Zhang and Qian Qi and Chong Liu and Weihua Chen and Fan Wang and Hao Li and Rong Jin},
journal= {arXiv preprint arXiv:2107.02220},
year = {2022}
}