通过属性与身份学习改进行人重识别
计算机视觉与模式识别
2019-06-11 v3
摘要
行人重识别（re-ID）和属性识别在学习行人描述方面具有共同目标。它们的区别在于粒度。大多数现有的 re-ID 方法仅考虑行人的身份标签。然而，我们发现包含详细局部描述的属性有助于使 re-ID 模型学习更具判别性的特征表示。在本文中，基于属性标签和 ID 标签的互补性，我们提出了一种属性-人物识别（APR）网络，这是一个多任务网络，它学习 re-ID 嵌入并同时预测行人属性。我们手动为两个大规模 re-ID 数据集标注了属性标签，并系统地研究了行人 re-ID 和属性识别如何相互促进。此外，考虑到属性之间的依赖性和相关性，我们对属性预测进行了重新加权。在两个大规模 re-ID 基准上的实验结果表明，通过学习更具判别性的表示，与最先进方法相比，APR 取得了具有竞争力的 re-ID 性能。我们使用 APR 将检索过程加速了十倍，而在 Market-1501 上的准确率仅下降了 2.92%。此外，我们还将 APR 应用于属性识别任务，并展示了对基线方法的改进。
引用
@article{arxiv.1703.07220,
title = {Improving Person Re-identification by Attribute and Identity Learning},
author = {Yutian Lin and Liang Zheng and Zhedong Zheng and Yu Wu and Zhilan Hu and Chenggang Yan and Yi Yang},
journal= {arXiv preprint arXiv:1703.07220},
year = {2019}
}
备注
Accepted to Pattern Recognition (PR)