身份回归空间中的行人重识别
计算机视觉与模式识别
2018-06-27 v1
摘要
大多数现有的行人重识别（re-id）方法由于两个原因而不适合实际部署：对大人口规模不可扩展，以及随时间不可适应。在这项工作中，我们提出一个统一方案来解决这两个问题。具体而言，我们提出基于嵌入不同训练行人身份（类别）构建身份回归空间（IRS），并将重识别表述为在该IRS中通过身份回归求解的回归问题。IRS方法的特点是具有闭式解的高学习效率和带人在回路的固有增量学习能力。在四个基准数据集（VIPeR、CUHK01、CUHK03和Market-1501）上的大量实验表明，IRS模型不仅优于最先进的重识别方法，而且通过对模型快速更新和主动选择信息样本以减少人工标注工作量，对大规模重识别人口规模更具可扩展性。
引用
@article{arxiv.1806.09695,
title = {Person Re-Identification in Identity Regression Space},
author = {Hanxiao Wang and Xiatian Zhu and Shaogang Gong and Tao Xiang},
journal= {arXiv preprint arXiv:1806.09695},
year = {2018}
}
备注
accepted by International Journal of Computer Vision (IJCV)