面向可扩展行人重识别的高效回归
计算机视觉与模式识别
2016-12-06 v1
摘要
现有的行人重识别模型在扩展到现实世界应用所需的大规模数据时表现不佳,原因在于:(1) 复杂性:它们采用复杂的模型以获得最佳性能,导致大规模训练的计算成本很高;(2) 不可适应性:一旦训练完成,它们不适合进行增量更新以整合任何可用的新数据。这项工作通过解决这两个问题,提出了一种真正可扩展的行人重识别解决方案。具体而言,通过将 Fisher 准则嵌入到岭回归模型中,构建了一个高效回归(HER)模型,以实现非常快速的行人重识别模型学习,并具有可扩展的内存/存储使用。重要的是,这种新的 HER 模型支持快于实时的增量模型更新,从而使得在人在回路的行人重识别中实现实时主动学习成为可能。大量实验表明,这种简单且快速的模型不仅显著优于现有最先进的行人重识别方法,而且对大规模数据具有更强的可扩展性,并为主动学习带来了额外益处,从而减少了行人重识别部署中的人工标注工作量。
引用
@article{arxiv.1612.01341,
title = {Highly Efficient Regression for Scalable Person Re-Identification},
author = {Hanxiao Wang and Shaogang Gong and Tao Xiang},
journal= {arXiv preprint arXiv:1612.01341},
year = {2016}
}