基于核跨视角协同表示的分类在行人重识别中的应用
计算机视觉与模式识别
2016-11-22 v1
摘要
行人重识别旨在当人在非重叠监控摄像机间移动时维持全局身份。由于不同的光照条件、视角以及每对摄像机中标注个体数量少（小样本问题），这是一项困难的任务。基于协同表示的分类（CRC）已成功用于解决计算机视觉中的小样本问题。然而，原始的 CRC 公式并不适合行人重识别，因为它没有考虑探针样本和图库样本来自不同的摄像机。此外，它是一个线性模型，而不同摄像机条件导致的外观变化表明摄像机之间存在强烈的非线性转换。为了克服这些局限性，我们提出了基于核跨视角协同表示的分类（Kernel X-CRC），通过非线性地平衡代表性和相似性来表示探针和图库图像。它假设使用训练集中的个体，探针及其对应的图库图像可以用相似的编码向量表示。实验结果表明，当使用高维特征向量时我们的假设是正确的，并且当处理使用公共子空间学习方法计算的低维判别表示时变得更有说服力。我们在两个行人重识别数据集（PRID450S 和 GRID）上取得了 rank-1 匹配率的 SOTA，在 VIPeR 和 CUHK01 数据集上取得了第二好的结果。
引用
@article{arxiv.1611.06969,
title = {Kernel Cross-View Collaborative Representation based Classification for Person Re-Identification},
author = {Raphael Prates and William Robson Schwartz},
journal= {arXiv preprint arXiv:1611.06969},
year = {2016}
}
备注
Paper submitted to CVPR 2017 conference