面向行人重识别的基于判别零空间的最大间隔度量学习
计算机视觉与模式识别
2018-07-31 v1
摘要
本文提出一种称为零空间核最大间隔度量学习（NK3ML）的新型度量学习框架，该框架有效解决了行人重识别中固有的小样本量（SSS）问题，并在性能上显著优于现有最先进方法。利用特征空间极高维数的优势，该度量通过在判别零空间上采用最大间隔准则（MMC）进行学习，其中给定类别的所有训练样本点映射到单一点，从而最小化类内散度。采用 MMC 的核版本以获得更好的类间分离。在四个具有挑战性的行人重识别基准数据集上的大量实验表明，所提算法优于所有现有方法。在最为广泛接受且具挑战性的数据集 VIPeR 上，我们取得了 99.8% 的 rank-1 准确率，而此前最先进水平仅为 63.92%。
引用
@article{arxiv.1807.10908,
title = {Maximum Margin Metric Learning Over Discriminative Nullspace for Person Re-identification},
author = {T M Feroz Ali and Subhasis Chaudhuri},
journal= {arXiv preprint arXiv:1807.10908},
year = {2018}
}
备注
Accepted for ECCV 2018