基于身体与潜在部件的多尺度上下文感知特征学习用于行人重识别
计算机视觉与模式识别
2017-10-19 v1
摘要
行人重识别（ReID）旨在跨不同摄像头识别同一行人。由于行人姿态、遮挡、背景杂乱等因素存在巨大差异，这是一项极具挑战性的任务。如何提取强有力的特征是 ReID 中的根本问题，至今仍未解决。本文设计了一种多尺度上下文感知网络（MSCAN），用于学习全身体及身体部件的强力特征，该网络通过在每一层堆叠多尺度卷积，能够很好地捕捉局部上下文知识。此外，我们提出利用空间变换网络（STN）结合新颖的空间约束来学习和定位可变形的行人部件，而非使用预定义的刚性部件。学习到的身体部件能够缓解基于部件表示中的一些困难，例如姿态变化和背景杂乱。最后，我们通过多类行人识别任务，将全身体与身体部件的表示学习过程整合到一个统一的行人重识别框架中。在当前的挑战性大规模行人重识别数据集（包括基于图像的 Market1501、CUHK03 和基于序列的 MARS 数据集）上的广泛评估表明，所提出的方法达到了最先进（SOTA）的结果。
引用
@article{arxiv.1710.06555,
title = {Learning Deep Context-aware Features over Body and Latent Parts for Person Re-identification},
author = {Dangwei Li and Xiaotang Chen and Zhang Zhang and Kaiqi Huang},
journal= {arXiv preprint arXiv:1710.06555},
year = {2017}
}
备注
Accepted by CVPR 2017