学习分辨率不变的行人重识别深度表示
计算机视觉与模式识别
2019-07-26 v1 机器学习
摘要
行人重识别（re-ID）解决跨摄像头图像匹配任务，是视觉领域的研究热点之一。由于真实场景中的查询图像可能存在分辨率损失，如何解决行人重识别过程中的分辨率失配问题成为一个实际问题。我们未采用独立的图像超分辨率模型，而是提出一种新颖的分辨率自适应与重识别网络（RAIN）架构来解决跨分辨率行人重识别。通过推进对抗学习策略，我们旨在为 re-ID 提取分辨率不变的表示，同时所提模型以端到端训练方式学习。我们的实验证实，使用我们的模型能够识别低分辨率查询图像，即便该分辨率在训练时未出现过。此外，我们的模型在半监督 re-ID 上的扩展进一步证实了所提方法在真实场景与应用中的可扩展性。
引用
@article{arxiv.1907.10843,
title = {Learning Resolution-Invariant Deep Representations for Person Re-Identification},
author = {Yun-Chun Chen and Yu-Jhe Li and Xiaofei Du and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:1907.10843},
year = {2019}
}
备注
Accepted to AAAI 2019 (Oral)