学习用于动物重识别的地标引导嵌入
计算机视觉与模式识别
2020-01-10 v1
摘要
图像中个体动物的重识别可能因不同个体间身体斑纹的细微差异以及野外动物姿态不受约束而存在歧义。行人重识别是一项类似任务，并已通过深度卷积神经网络（CNN）学习行人图像的判别性嵌入得以解决。然而，由于生态数据集相对带标签的行人身份数据集规模较小，学习个体动物的判别性特征比学习人的外观更具挑战性。我们提出通过显式利用身体地标信息来改进嵌入学习。身体地标作为置信热力图提供给 CNN 的输入，该热力图可由独立的身体地标预测器获得。模型通过学习重建输入热力图的辅助任务被鼓励使用热力图。身体地标引导特征提取网络学习独特图案及其在身体上位置的表示。我们在大型合成数据集与小型真实数据集上评估了所提方法。我们的方法在合成与真实数据集上分别比无身体地标输入的同模型高出 26% 与 18%。该方法对输入坐标中的噪声具有鲁棒性，并可容忍高达图像尺寸 10% 的坐标误差。
引用
@article{arxiv.2001.02801,
title = {Learning landmark guided embeddings for animal re-identification},
author = {Olga Moskvyak and Frederic Maire and Feras Dayoub and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2001.02801},
year = {2020}
}
备注
7 pages, 7 figures