基于高阶张量特征融合的多线性子空间学习用于行人重识别
计算机视觉与模式识别
2025-05-23 v1 人工智能
图像与视频处理
摘要
视频监控图像分析与处理是计算机视觉中一个具有挑战性的领域，其中最困难的任务之一是行人重识别 (PRe-ID)。PRe-ID 旨在利用对行人图像的鲁棒描述，识别并跟踪已在摄像机网络中检测到的目标个体。近期行人重识别研究的成功很大程度上归功于有效的特征提取与表示，以及对这些特征进行强大的学习以可靠地区分行人图像。为此，我们使用所提出的高维特征融合 (HDFF) 方法，在多维数据上对两种强大的特征——卷积神经网络 (CNN) 和局部最大出现 (LOMO)——进行建模。具体来说，我们引入了一种新的张量融合方案，以利用并结合这两种特征于单个张量中，即使它们的维度不相同。为了提高系统的准确性，我们采用张量跨视角二次分析 (TXQDA) 进行多线性子空间学习，然后使用余弦相似度进行匹配。TXQDA 有效地促进了学习，同时降低了高阶张量数据固有的高维度。我们在三个广泛使用的 PRe-ID 数据集：VIPeR、GRID 和 PRID450S 上验证了方法的有效性。大量实验表明，我们的方法优于近期最先进的方法。
引用
@article{arxiv.2505.15825,
title = {Multilinear subspace learning for person re-identification based fusion of high order tensor features},
author = {Ammar Chouchane and Mohcene Bessaoudi and Hamza Kheddar and Abdelmalik Ouamane and Tiago Vieira and Mahmoud Hassaballah},
journal= {arXiv preprint arXiv:2505.15825},
year = {2025}
}