基于粗先验多任务学习的鲁棒部件感知行人重识别
计算机视觉与模式识别
2021-05-10 v3
摘要
部件级表征对于鲁棒的行人重识别 (ReID) 十分重要，但在实践中由于身体部位错位问题，特征质量会受到影响。本文提出一种鲁棒、紧凑且易用的方法，称为多任务部件感知网络 (MPN)，旨在从行人图像中提取语义对齐的部件级特征。MPN 在训练阶段通过多任务学习 (MTL) 解决身体部位错位问题。更具体地，它在同一骨干模型之上为每个身体部位构建一个主任务 (MT) 和一个辅助任务 (AT)。ATs 配备了训练图像中身体部位位置的粗先验。ATs 随后通过优化 MT 参数来识别骨干模型中与部位相关的通道，从而将身体部位的概念迁移给 MTs。概念迁移通过两种新颖的对齐策略实现：即基于硬参数共享的参数空间对齐，以及按类别方式的特征空间对齐。借助学到的高质量参数，MTs 在测试阶段可独立地从相关通道中提取语义对齐的部件级特征。MPN 具有三个关键优势：1) 推理阶段无需进行身体部位检测；2) 其模型在训练和测试时都非常紧凑高效；3) 在训练阶段，它仅需易于获取的身体部位位置的粗先验。在四个大规模 ReID 数据库上的系统实验表明，MPN 以显著优势持续优于最先进 (SOTA) 方法。代码见 https://github.com/WangKan0128/MPN。
引用
@article{arxiv.2003.08069,
title = {Multi-task Learning with Coarse Priors for Robust Part-aware Person Re-identification},
author = {Changxing Ding and Kan Wang and Pengfei Wang and Dacheng Tao},
journal= {arXiv preprint arXiv:2003.08069},
year = {2021}
}
备注
Accepted Version to IEEE Transactions on Pattern Analysis and Machine Intelligence