HAVANA：用于行人重识别的分层变分归一化自编码器
计算机视觉与模式识别
2021-01-12 v2 机器学习
摘要
行人重识别（Re-ID）对许多视频监控系统至关重要。由于图像空间中存在较大变化（如持续变化的人体姿态、光照和视角），学习具有判别力的Re-ID特征仍具挑战。本文提出HAVANA，一种新颖、可扩展、轻量级的层级化且变分归一化的自编码器（HierArchical and VAriation-Normalized Autoencoder），可学习对类内变化鲁棒的特征。与现有利用大量额外监督信号剔除变化的生成式方法不同，HAVANA通过无需额外监督训练的变分归一化自编码器抑制类内变化。我们还引入了新颖的Jensen-Shannon三元组损失，用于Re-ID中的对比分布学习。此外，我们提出分层变分提取器（Hierarchical Variation Distiller），一种分层VAE，用于分解潜表示并显式建模变化。据我们所知，HAVANA是首个基于VAE的行人重识别框架。
引用
@article{arxiv.2101.02568,
title = {HAVANA: Hierarchical and Variation-Normalized Autoencoder for Person Re-identification},
author = {Jiawei Ren and Xiao Ma and Chen Xu and Haiyu Zhao and Shuai Yi},
journal= {arXiv preprint arXiv:2101.02568},
year = {2021}
}
备注
Manuscript