超越外观：重识别中深度卷积神经网络的合成训练数据
计算机视觉与模式识别
2018-11-15 v2
摘要
重识别通常通过对受试者着装外观进行编码来实现，暗示人们不更换衣服的场景。本文中，我们克服此限制，提出基于深度卷积神经网络 SOMAnet 的框架，其额外建模其他判别方面，即人体结构属性（如身高、肥胖度、性别）。我们的方法在许多方面独特。首先，SOMAnet 基于 Inception 架构，脱离通常的连体框架。这免去了昂贵的数据准备（跨摄像头配对图像）并允许理解网络学到了什么。其次，最值得注意的是，训练数据由合成 100K 实例数据集 SOMAset 组成，通过照片级真实人体生成软件创建。合成数据代表了真实图像（重识别中通常不需要，因为监控摄像头捕获低分辨率轮廓）与样本完全控制（有助于针对手头监控场景定制数据，如种族）之间的良好折衷。SOMAnet 在 SOMAset 上训练并在近期重识别基准上微调，优于所有竞争者，即使不同服装也能匹配受试者。合成数据与 Inception 架构的结合为重识别开辟了新研究途径。
引用
@article{arxiv.1701.03153,
title = {Looking Beyond Appearances: Synthetic Training Data for Deep CNNs in Re-identification},
author = {Igor Barros Barbosa and Marco Cristani and Barbara Caputo and Aleksander Rognhaugen and Theoharis Theoharis},
journal= {arXiv preprint arXiv:1701.03153},
year = {2018}
}
备注
14 pages