基于循环特征聚合的行人重识别
计算机视觉与模式识别
2017-01-24 v1
摘要
我们通过有效利用来自一系列被跟踪人体区域/块的全局判别性特征表示来解决行人重识别问题。这与以往依赖于基于单帧的人到块匹配或基于图的序列到序列匹配的行人重识别工作形成对比。我们展示了一种基于长短期记忆（LSTM）网络的渐进/顺序融合框架，该框架在每个时间戳聚合帧级人体区域表示，并产生序列级人体特征表示。由于 LSTM 节点能够记住并传播先前累积的良好特征，并遗忘新输入的劣质特征，因此即使使用简单的手工特征，所提出的循环特征聚合网络（RFA-Net）也能有效生成高度判别性的序列级人体表示。在两个行人重识别基准上的大量实验结果表明，所提方法优于最先进的（state-of-the-art）行人重识别方法。
引用
@article{arxiv.1701.06351,
title = {Person Re-Identification via Recurrent Feature Aggregation},
author = {Yichao Yan and Bingbing Ni and Zhichao Song and Chao Ma and Yan Yan and Xiaokang Yang},
journal= {arXiv preprint arXiv:1701.06351},
year = {2017}
}
备注
14 pages, 4 figures, in ECCV 2016