LEAPS：基于可学习提议的端到端单步行人搜索
计算机视觉与模式识别
2023-03-22 v1
摘要
我们提出一种基于可学习提议的端到端单步行人搜索方法，名为 LEAPS。给定一组稀疏且可学习的提议，LEAPS 采用动态行人搜索头直接执行行人检测与相应的重识别特征生成，无需非极大值抑制后处理。动态行人搜索头由检测头与新颖的灵活重识别头组成。我们的灵活重识别头首先采用动态感兴趣区域（RoI）操作提取提议的判别性 RoI 特征，随后使用普通与层次交互重识别模块生成重识别特征。为更好地引导判别性重识别特征学习，我们引入了多样重识别样本匹配策略，以替代检测头中的二分匹配。综合实验揭示了所提 LEAPS 的益处，在两个公开行人搜索基准 CUHK-SYSU 与 PRW 上取得了优异性能。在使用相同 ResNet50 骨干时，我们的 LEAPS 获得 55.0% 的 mAP 分数，优于文献中最佳报道结果 1.7%，同时在具挑战性的 PRW 数据集上实现约两倍的加速。我们的源代码与模型将公开发布。
引用
@article{arxiv.2303.11859,
title = {LEAPS: End-to-End One-Step Person Search With Learnable Proposals},
author = {Zhiqiang Dong and Jiale Cao and Rao Muhammad Anwer and Jin Xie and Fahad Khan and Yanwei Pang},
journal= {arXiv preprint arXiv:2303.11859},
year = {2023}
}
备注
11 pages, 9 figures