大规模时空行人重识别：算法与基准
计算机视觉与模式识别
2021-11-30 v6
摘要
具有大空间与时间跨度的行人重识别（re-ID）场景尚未得到充分探索。这部分是因为现有基准数据集主要在有限空间与时间范围内收集，例如使用校园特定区域内几天内摄像机录制的视频。如此有限的空间与时间范围难以模拟真实场景中行人重识别的困难。本工作中，我们贡献了一个新颖的大规模时空LaST行人重识别数据集，包含10,862个身份、超过228k张图像。与现有数据集相比，LaST呈现出更具挑战性且高多样性的重识别设定，以及显著更大的空间与时间范围。例如，每个人可能出现在不同城市或国家，在从白天到夜晚的各个时段，以及从春到冬的不同季节。据我们所知，LaST是具有最大时空范围的新颖行人重识别数据集。基于LaST，我们通过14种重识别算法的综合性能评估验证了其挑战性。我们进一步提出了一种易于实现的基线，在该困难重识别设定上表现良好。我们还验证了在LaST上预训练的模型能很好地泛化到具有短时与换衣场景的现有数据集。我们期望LaST能启发未来面向更真实且更具挑战性重识别任务的工作。关于该数据集的更多信息可在 https://github.com/shuxjweb/last.git 获取。
引用
@article{arxiv.2105.15076,
title = {Large-Scale Spatio-Temporal Person Re-identification: Algorithms and Benchmark},
author = {Xiujun Shu and Xiao Wang and Xianghao Zang and Shiliang Zhang and Yuanqi Chen and Ge Li and Qi Tian},
journal= {arXiv preprint arXiv:2105.15076},
year = {2021}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)