利用特权信息进行度量学习的人体重识别

尽管近年来取得了令人鼓舞的进展，由于不同摄像机视角下人体外观的复杂变化，人体重识别仍是一项具有挑战性的任务。本文针对这一挑战性问题提出了一种逻辑判别度量学习方法。与大多数现有度量学习算法不同，它在训练期间同时利用原始数据和辅助数据，其动机来自新的机器学习范式——利用特权信息学习（Learning Using Privileged Information）。此类特权信息是一种仅在训练期间可用的辅助知识。我们的目标是在特权信息帮助下通过构建局部自适应决策规则来学习最优距离函数。我们通过最小化经验损失（该损失惩罚原始空间与特权空间中距离的差异）联合学习两个距离度量。在我们的设定中，特权空间中的距离充当局部决策阈值，像教师一样指导原始空间中的决策。从原始空间学到的度量用于在测试期间计算探针图像与图库图像之间的距离。此外，我们将所提方法扩展到多视角设定，能够探索多种特征表示的互补性。在多视角设定中，对应于不同原始特征的多个度量在相同的特权信息引导下联合学习。此外，引入了一种有效的迭代优化方案，以同时优化度量和所分配的度量权重。在几个广泛使用的数据集上的实验结果表明，所提方法优于基于全局决策阈值的方法，并超越了大多数最先进的成果。