基于语义区域表示与拓扑约束的人员重识别
计算机视觉与模式识别
2018-08-21 v1
摘要
人员重识别是一个热门的研究课题，旨在多摄像头网络中自动匹配特定人员。特征表示与度量学习是人员重识别的两个重要问题。本文提出一种新颖的人员重识别方法，由一种称为语义区域表示（SRR）的可靠表示，以及一种带映射空间拓扑约束（MSTC）的有效度量学习组成。SRR 通过解析身体为多个部分来整合语义表示，以实现对应区域间的有效相似性比较，其关注前景上下文以对抗背景干扰。为学习判别性度量，提出 MSTC 以考虑特征空间中所有样本间的拓扑关系。它考虑双重约束：正样本对的分布应比关于同一探针的负样本对的平均分布更紧凑，而不同类间的平均距离应大于同类间的距离。这两方面协同维持类内的紧凑性与类间的稀疏性。在 VIPeR、SYSU-sReID、QUML GRID、CUHK03 和 Market-1501 五个具挑战性人员重识别数据集上的大量实验表明，所提方法取得了与最优方法相竞争的性能。
引用
@article{arxiv.1808.06280,
title = {Person Re-Identification by Semantic Region Representation and Topology Constraint},
author = {Jianjun Lei and Lijie Niu and Huazhu Fu and Bo Peng and Qingming Huang and Chunping Hou},
journal= {arXiv preprint arXiv:1808.06280},
year = {2018}
}
备注
13 pages, 10 figures, Accepted by IEEE Transactions on Circuits and Systems for Video Technology 2018