面向行人重识别的实例级时空模式学习
计算机视觉与模式识别
2021-08-03 v1
摘要
行人重识别（Re-ID）旨在跨不相交摄像机匹配行人。大多数 Re-ID 方法将其表述为视觉表示学习与图像检索，因此其精度在很大程度上受检索空间影响。时空信息已被证明能高效过滤不相关负样本并显著提升 Re-ID 精度。然而，现有时空行人 Re-ID 方法仍较粗糙，未充分利用时空信息。本文中，我们提出一种新颖的实例级与时空解耦 Re-ID 方法（InSTD），以提升 Re-ID 精度。在我们提出的框架中，显式考虑了移动方向等个性化信息，以进一步缩小检索空间。此外，时空转移概率从联合分布解耦至边缘分布，从而离群点也能被良好建模。我们给出了丰富的实验分析，证明了方法的优越性并提供了更多见解。所提方法在 Market-1501 上取得 90.8% 的 mAP，在 DukeMTMC-reID 上取得 89.1% 的 mAP，分别较基线 82.2% 和 72.7% 有所提升。此外，为提供更好的行人重识别基准，我们随本文发布了 DukeMTMC-reID 的清洗数据列表：https://github.com/RenMin1991/cleaned-DukeMTMC-reID/
引用
@article{arxiv.2108.00171,
title = {Learning Instance-level Spatial-Temporal Patterns for Person Re-identification},
author = {Min Ren and Lingxiao He and Xingyu Liao and Wu Liu and Yunlong Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2108.00171},
year = {2021}
}
备注
Accepted by ICCV 2021