人在回路的行人重识别
计算机视觉与模式识别
2018-05-08 v2
摘要
当前的行人重识别方法假设:(1) 每对摄像头都有预标注的训练数据可用,(2) 重识别的图库规模适中。当摄像头网络规模增大且图库规模变大时,这两种假设在现实世界应用中都难以扩展。对自动模型排序的重识别结果进行人工验证变得不可避免。在这项工作中,构建了一种基于人工验证增量学习(HVIL)的新型人在回路重识别模型,该模型不需要任何预标注的训练数据来学习模型,因此易于扩展到新的摄像头对。这种 HVIL 模型从人类反馈中累积学习,即时提升每个探针的重识别排序,使模型能够扩展到大规模图库。我们进一步构建了一个正则化度量集成学习(RMEL)模型,将一系列增量学习的 HVIL 模型组合成一个单一的集成模型,以便在无法获得人类反馈时使用。
引用
@article{arxiv.1612.01345,
title = {Human-In-The-Loop Person Re-Identification},
author = {Hanxiao Wang and Shaogang Gong and Xiatian Zhu and Tao Xiang},
journal= {arXiv preprint arXiv:1612.01345},
year = {2018}
}