面向属性识别的层次化特征嵌入
计算机视觉与模式识别
2020-05-26 v1
摘要
属性识别因视角变化、光照差异和外观多样性等因素而成为一项关键但具有挑战性的任务。以往大多数工作仅考虑属性级别的特征嵌入，在复杂的异构条件下可能表现不佳。为解决这一问题，我们提出了一种层次化特征嵌入（HFE）框架，通过结合属性信息和身份（ID）信息来学习细粒度的特征嵌入。在 HFE 中，我们同时保持类间和类内的特征嵌入。不仅具有相同属性的样本，而且具有相同 ID 的样本都被更紧密地聚集在一起，这可以约束视觉上困难样本关于属性的特征嵌入，并提高对变化条件的鲁棒性。我们通过利用由属性级和 ID 级约束组成的 HFE 损失来建立这种层次结构。我们还引入了绝对边界正则化和动态损失权重作为辅助组件，以帮助构建特征嵌入。实验表明，我们的方法在两个行人属性数据集和一个面部属性数据集上取得了最先进的结果。
引用
@article{arxiv.2005.11576,
title = {Hierarchical Feature Embedding for Attribute Recognition},
author = {Jie Yang and Jiarou Fan and Yiru Wang and Yige Wang and Weihao Gan and Lin Liu and Wei Wu},
journal= {arXiv preprint arXiv:2005.11576},
year = {2020}
}
备注
CVPR 2020