基于度量集成的行人重识别排序学习

我们提出了一种基于结构化学习的有效方法来解决行人重识别问题，该方法在大多数评估基准数据集上的表现优于当前最先进水平。我们的框架建立在多种低级手工特征和高级视觉特征的基础之上。随后，我们制定了两种优化算法，直接优化行人重识别中常用的评估指标，即累积匹配特性（CMC）曲线。由于重识别性能可集中在最具实际意义的范围内，我们的新方法适用于许多现实世界的监控应用。这些因素的結合使得行人重识别系统优于大多数现有算法。更重要的是，我们通过将 iLIDS 基准的 rank-$1$ 识别率从 $40\%$ 提升至 $50\%$，PRID2011 基准从 $16\%$ 提升至 $18\%$，VIPeR 基准从 $43\%$ 提升至 $46\%$，CUHK01 基准从 $34\%$ 提升至 $53\%$，以及 CUHK03 基准从 $21\%$ 提升至 $62\%$，推进了行人重识别的最先进水平结果。