面向行人重识别的全向特征学习
计算机视觉与模式识别
2018-12-14 v1
摘要
行人重识别（PReID）因其在智能监控中是重要组成部分而受到越来越多的关注。近来，许多 SOTA 的 PReID 方法都是基于部件的深度学习模型。它们大多专注于学习人体在水平方向上的部件特征表示，然而通常在垂直方向上的身体特征表示被忽略。此外，这些部件特征之间以及不同特征通道之间的空间信息未被考虑。在本研究中，我们引入了一种用于 PReID 的多分支深度模型。具体而言，该模型由五个分支组成。其中两个分支分别从头或尾方向学习带有空间信息的局部特征。另一个旨在学习由最后卷积层生成的不同特征通道之间的相互依赖知识。其余两个分支是识别与三元组子网络，其中可同时学习判别性全局特征与相应度量。所有五个分支均能提升表示学习。我们在包括 CUHK03、Market-1501 和 DukeMTMC-reID 的三个 PReID 基准上进行了广泛的对比实验。所提出的深度框架在大多数情况下优于许多 SOTA 方法。
引用
@article{arxiv.1812.05319,
title = {Omni-directional Feature Learning for Person Re-identification},
author = {Di Wu and Hong-Wei Yang and De-Shuang Huang},
journal= {arXiv preprint arXiv:1812.05319},
year = {2018}
}