面向行人重识别的非线性局部度量学习
计算机视觉与模式识别
2015-11-18 v1
摘要
行人重识别旨在匹配从非重叠摄像机视角观察到的行人。特征描述子与度量学习是行人重识别中的两个重要问题。一个判别性的度量学习方法应当能够利用复杂的非线性变换，因为特征空间中存在巨大变化。本文中，我们提出一种非线性局部度量学习(NLML)方法，以提升行人重识别在公开数据集上的最优性能。受局部度量学习被引入处理局部变化数据、且深度神经网络在挖掘样本非线性方面展现出卓越能力这一事实的启发，我们利用局部度量学习和深度神经网络的优点来学习多组非线性变换。通过在变换后的特征子空间中强制正行人图像对的距离与负对的距离之间保持间隔，所开发的神经网络能有效利用判别信息。我们的实验表明，提出的NLML方法在广泛使用的VIPeR、GRID和CUHK 01数据集上取得了最先进的成果。
引用
@article{arxiv.1511.05169,
title = {Nonlinear Local Metric Learning for Person Re-identification},
author = {Siyuan Huang and Jiwen Lu and Jie Zhou and Anil K. Jain},
journal= {arXiv preprint arXiv:1511.05169},
year = {2015}
}
备注
Submitted to CVPR 2016