面向行人重识别中衣物变化的学习形状表示
计算机视觉与模式识别
2020-03-17 v1
摘要
行人重识别（re-ID）旨在识别分布于不同摄像头所拍摄多幅图像中的同一行人实例。现有 re-ID 方法往往严重依赖于同一人的查询图像与图库图像具有相同的衣物这一假设。遗憾的是，对于在较长时间（如数周、数月或数年）内采集的数据集，该假设可能不成立。为应对衣物变化情形下的 re-ID 问题，我们提出一种新颖的表示学习模型，能够生成不受衣物颜色或图案影响的体型特征表示。我们将该模型称为颜色无关形状提取网络（CASE-Net）。CASE-Net 通过对抗学习与特征解耦学习仅依赖于体型的身份表示。由于缺少包含同一人衣物变化的大规模 re-ID 数据集，我们提出两个合成数据集用于评估。我们创建了一个具有不同衣物图案的渲染数据集 SMPL-reID，以及一个具有不同衣物颜色的合成数据集 Div-Market，以模拟两类衣物变化。在 5 个数据集（SMPL-reID、Div-Market、两个基准 re-ID 数据集、一个跨模态 re-ID 数据集）上的定量与定性结果表明，相较于若干最先进（state-of-the-art）方法，我们的方法具有鲁棒性与优越性。
引用
@article{arxiv.2003.07340,
title = {Learning Shape Representations for Clothing Variations in Person Re-Identification},
author = {Yu-Jhe Li and Zhengyi Luo and Xinshuo Weng and Kris M. Kitani},
journal= {arXiv preprint arXiv:2003.07340},
year = {2020}
}
备注
11 pages, 8 figures. In submission