基于时空融合网络与因果身份匹配的对象重识别
计算机视觉与模式识别
2024-08-23 v2
摘要
大型摄像网络中的对象重识别 (ReID) 面临诸多挑战。首先，类似的外观会降低 ReID performance，这需要被现有的基于外观的 ReID 方法所解决。其次，大多数 ReID 研究是在实验室环境中进行的，不考虑真实世界情景。为克服这些挑战，我们引入了一种新型 ReID 框架，利用时空融合网络和因果身份匹配 (CIM)。我们的框架使用我们提出的自适应 Parzen 窗口估计摄像网络拓扑结构，并将外观特征与时空线索在融合网络中结合。该方法在多个数据集上展示了卓越的性能，包括 VeRi776、Vehicle-3I 和 Market-1501，实现了最高 99.70% 的 rank-1 准确率和 95.5% 的 mAP。此外，所提出的 CIM 方法基于摄像网络拓扑动态分配画廊集，进一步提高了在真实世界情景下的 ReID 准确性和鲁棒性，证据在 Vehicle-3I 数据集上表现为 94.95% 的 mAP 和 95.19% 的 F1 分数。实验结果支持将时空信息和 CIM 纳入真实世界 ReID 情景的有效性，无论数据域如何（例如车辆、人员）。
关键词
引用
@article{arxiv.2408.05558,
title = {Object Re-identification via Spatial-temporal Fusion Networks and Causal Identity Matching},
author = {Hye-Geun Kim and Yong-Hyuk Moon and Yeong-Jun Cho},
journal= {arXiv preprint arXiv:2408.05558},
year = {2024}
}