用于行人重识别的多核 Fisher 判别度量学习
计算机视觉与模式识别
2019-10-10 v1
摘要
行人重识别（person re-identification）解决的是跨不相交摄像头视角匹配行人图像的问题。特征描述子的设计和距离度量学习是行人重识别中的两项基本任务。本文中，我们提出了一种用于行人重识别的度量学习框架，其中使用核 Fisher 判别分析（KFDA）来学习判别性度量空间，以同时最大化类间方差并最小化类内方差。我们推导了由 KFDA 诱导的 Mahalanobis 度量，并论证 KFDA 可有效地应用于行人重识别的度量学习。我们还展示了通过使用两种简单而高效的多核学习（multiple kernel learning）方法，如何进一步提升 KFDA 在行人重识别度量学习中的效率。我们在三个行人重识别基准数据集上进行了大量实验，并证明所提方法与最先进（SOTA）方法相比具有竞争性的性能。
引用
@article{arxiv.1910.03923,
title = {Multiple Kernel Fisher Discriminant Metric Learning for Person Re-identification},
author = {T M Feroz Ali and Kalpesh K Patel and Rajbabu Velmurugan and Subhasis Chaudhuri},
journal= {arXiv preprint arXiv:1910.03923},
year = {2019}
}