用于行人重识别的集到集相似性比较中的大间隔学习
计算机视觉与模式识别
2017-08-21 v1 机器学习
机器学习
摘要
行人重识别（Re-ID）旨在跨不相交摄像机视角匹配同一行人的图像，这是多媒体分析、多媒体编辑和基于内容的媒体检索领域中的一个挑战性问题。主要挑战在于如何在保持同一行人在具有较大外观变化的视频片段间相似性的同时，区分不同个体。为解决此问题，传统方法通常仅通过测量点到点（P2P）距离来考虑行人间的成对相似性。本文中，我们提出使用深度学习技术来建模一种新颖的集到集（S2S）距离，其底层目标聚焦于保持每个摄像机视角下类内样本的紧凑性，同时最大化类内集与类间集之间的间隔。该 S2S 距离度量由三项组成，即类身份项、相对距离项和正则化项。类身份项使每个摄像机视角内的类内样本聚集在一起，相对距离项最大化跨不同摄像机视角的类内集与类间集之间的距离，正则化项平滑深度卷积神经网络（CNN）的参数。最终，学习到的深度模型能够通过学习具有判别性和稳定性的特征表示，在视频库的众多候选者中有效找到与查询目标匹配的对象。我们使用 CUHK01、CUHK03、PRID2011 和 Market1501 基准数据集，广泛进行了对比评估，以证明我们的方法相较于最先进方法的优势。
引用
@article{arxiv.1708.05512,
title = {Large Margin Learning in Set to Set Similarity Comparison for Person Re-identification},
author = {Sanping Zhou and Jinjun Wang and Rui Shi and Qiqi Hou and Yihong Gong and Nanning Zheng},
journal= {arXiv preprint arXiv:1708.05512},
year = {2017}
}
备注
Accepted by IEEE Transactions on Multimedia