融合粗粒度部件级特征与有监督全局级特征的人体重识别
计算机视觉与模式识别
2020-10-16 v1
摘要
近年来，整体人体重识别（Re-ID）与局部人体重识别分别取得了巨大进展。然而，现实场景常同时包含整体与局部行人图像，这使得单一的整体或局部人体 Re-ID 难以奏效。本文提出一种鲁棒的粗粒度部件级人体 Re-ID 网络（CGPN），其不仅提取鲁棒的区域级身体特征，还针对整体与局部行人图像融合有监督的全局特征。CGPN 为提升人体 Re-ID 准确率带来双重益处：一方面，CGPN 学习为整体与局部行人图像提取有效的身体部件特征；另一方面，相较于通过骨干网络直接提取全局特征，CGPN 借助监督策略学习提取更精确的全局特征。在包括 Market-1501、DukeMTMC-reID 和 CUHK03 的三个 Re-ID 数据集上训练的单模型取得了当前最优性能，优于任何已有方法。尤其在最具挑战性的人体 Re-ID 数据集 CUHK03 上，单查询模式下，我们无需重排序即以该方法取得 Rank-1/mAP=87.1%/83.6% 的顶尖结果，超越当前最佳方法 +7.0%/+6.7%。
引用
@article{arxiv.2010.07675,
title = {Integrating Coarse Granularity Part-level Features with Supervised Global-level Features for Person Re-identification},
author = {Xiaofei Mao and Jiahao Cao and Dongfang Li and Xia Jia and Qingfang Zheng},
journal= {arXiv preprint arXiv:2010.07675},
year = {2020}
}