基于深度相似性引导图神经网络的人员重识别
计算机视觉与模式识别
2018-07-27 v1
摘要
人员重识别任务需要鲁棒地估计行人图像之间的视觉相似性。然而，现有人员重识别模型大多独立地估计探针图像与图库图像不同图像对的相似性，而忽略了不同探针-图库对之间的关系信息。因此，一些困难样本的相似性估计可能不准确。本文中，我们提出一种名为相似性引导图神经网络（SGGNN）的新型深度学习框架以克服此类局限。给定一个探针图像与若干图库图像，SGGNN 创建图来表示探针-图库对（节点）之间的成对关系，并利用此类关系以端到端方式更新探针-图库关系特征。通过使用此类更新后的探针-图库关系特征进行预测，可实现准确的相似性估计。图上节点的输入特征为不同探针-图库图像对的关系特征。探针-图库关系特征更新随后由 SGGNN 中的消息传递执行，其将其他节点的信息纳入相似性估计。与常规 GNN 方法不同，SGGNN 直接利用图库实例对的丰富标签学习边权重，这为关系融合提供了更精确的信息。我们提出方法的有效性在三个公开人员重识别数据集上得到验证。
引用
@article{arxiv.1807.09975,
title = {Person Re-identification with Deep Similarity-Guided Graph Neural Network},
author = {Yantao Shen and Hongsheng Li and Shuai Yi and Dapeng Chen and Xiaogang Wang},
journal= {arXiv preprint arXiv:1807.09975},
year = {2018}
}
备注
accepted to ECCV 2018