改进面向跨数据集使用的行人重识别深度模型
计算机视觉与模式识别
2018-07-24 v1 图像与视频处理
摘要
行人重识别(Re-ID)是在非重叠视角的摄像头间匹配行人的任务,在视觉监控中有重要应用。与其他计算机视觉任务一样,该任务因深度学习方法的使用而获益良多。然而,现有的基于深度的解决方案通常在同一数据集采集的样本上训练和测试,而实际中需要将 Re-ID 系统部署到一组新的、无标注数据的摄像头上。本文针对一个最先进的模型,即使用三元组损失函数训练的度量嵌入模型,缓解了这一问题,尽管我们的结果可推广到其他模型。本工作的贡献在于提出了一种在多个数据集上训练该模型的方法,以及一种其在线、实际无监督微调的方法。这些方法在跨数据集评估中使 Rank-1 分数提升了最高 19.1%。
引用
@article{arxiv.1807.08526,
title = {Improving Deep Models of Person Re-identification for Cross-Dataset Usage},
author = {Sergey Rodionov and Alexey Potapov and Hugo Latapie and Enzo Fenoglio and Maxim Peterson},
journal= {arXiv preprint arXiv:1807.08526},
year = {2018}
}
备注
AIAI 2018 (14th International Conference on Artificial Intelligence Applications and Innovations) proceeding. The final publication is available at link.springer.com