基于弱监督多尺度属性特定定位改进行人属性识别
计算机视觉与模式识别
2019-10-11 v1
摘要
行人属性识别已成为视频监控领域一个新兴的研究课题。为预测某一特定属性是否存在，需要定位与该属性相关的区域。然而，在此任务中，区域标注并不可用。如何切分出这些属性相关区域仍然具有挑战性。现有方法应用属性不可知的视觉注意力或启发式身体部位定位机制来增强局部特征表示，而忽视了利用属性来定义局部特征区域。我们提出了一种灵活的属性定位模块(ALM)以自适应地发现最具判别性的区域，并在多个层次上为每个属性学习区域特征。此外，还引入了特征金字塔架构，以高层语义引导增强低层的属性特定定位。所提框架不需要额外的区域标注，并可通过多级深度监督进行端到端训练。大量实验表明，所提方法在三个行人属性数据集（包括 PETA、RAP 和 PA-100K）上取得了最先进的(state-of-the-art)结果。
引用
@article{arxiv.1910.04562,
title = {Improving Pedestrian Attribute Recognition With Weakly-Supervised Multi-Scale Attribute-Specific Localization},
author = {Chufeng Tang and Lu Sheng and Zhaoxiang Zhang and Xiaolin Hu},
journal= {arXiv preprint arXiv:1910.04562},
year = {2019}
}
备注
Accepted by ICCV 2019