面向基于视频的人员重识别的多粒度超图学习方法
计算机视觉与模式识别
2021-05-03 v1
摘要
基于视频的人员重识别（re-ID）是计算机视觉中的一个重要研究课题。解决这一具有挑战性任务的关键在于利用视频序列中的空间和时间线索。在这项工作中，我们提出了一种新颖的基于图的框架，即多粒度超图（MGH），通过以多种粒度建模时空依赖关系来追求更好的表示能力。具体而言，使用视频序列中不同层次的基于部件的特征构建具有不同空间粒度的超图。在每个超图中，通过连接不同时间范围内一组图节点（即基于部件的特征）的超边来捕获不同的时间粒度。所提出的超图传播和特征聚合方案显式地解决了两个关键问题（未对齐和遮挡）。最后，我们基于互信息最小化学习多个粒度的更具多样性的图级表示，进一步增强整体视频表示。在三个广泛采用的基准上的大量实验清楚地证明了所提框架的有效性。值得注意的是，MGH在MARS上实现了90.0%的top-1准确率，优于现有最优方法。代码可在 https://github.com/daodaofr/hypergraph_reid 获取。
引用
@article{arxiv.2104.14913,
title = {Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification},
author = {Yichao Yan and Jie Qin1 and Jiaxin Chen and Li Liu and Fan Zhu and Ying Tai and Ling Shao},
journal= {arXiv preprint arXiv:2104.14913},
year = {2021}
}
备注
CVPR 2020