学习多粒度判别特征用于行人重识别
计算机视觉与模式识别
2018-08-15 v3
摘要
全局与局部特征的组合一直是提升行人重识别(Re-ID)任务判别性能的重要方案。以往的基于部件的方法主要关注定位具有特定预定义语义的区域来学习局部表示，这增加了学习难度，且对于具有大方差的场景不够高效或鲁棒。本文中，我们提出一种端到端的特征学习策略，将具有多种粒度的判别信息相整合。我们精心设计了多粒度网络(MGN)，一种由一支全局特征表示分支和两支局部特征表示分支构成的多分支深度网络架构。我们不对语义区域进行学习，而是将图像均匀划分为若干条带，并在不同局部分支中改变部件数量，以获得多粒度的局部特征表示。在包括Market-1501、DukeMTMC-reid和CUHK03在内的主流评测数据集上进行的综合实验表明，我们的方法稳健地达到了最先进性能，并以较大优势超越任何现有方法。例如，在单查询模式的Market-1501数据集上，经重排序后我们取得了Rank-1/mAP=96.6%/94.2%的最先进结果。
引用
@article{arxiv.1804.01438,
title = {Learning Discriminative Features with Multiple Granularities for Person Re-Identification},
author = {Guanshuo Wang and Yufeng Yuan and Xiong Chen and Jiwei Li and Xi Zhou},
journal= {arXiv preprint arXiv:1804.01438},
year = {2018}
}
备注
9 pages, 5 figures. To appear in ACM Multimedia 2018