用于行人重识别的姿态驱动深度模型

Andreas Eberle

用于行人重识别的姿态驱动深度模型

计算机视觉与模式识别 2018-03-26 v1

作者: Andreas Eberle

摘要

行人重识别（re-id）是识别并匹配由具有非重叠视角的摄像机在不同位置记录的行人的任务。re-id 的主要挑战之一是行人姿态和摄像机视角的巨大差异，因为这两者均无法受 re-id 系统影响。本文介绍了一种有效的方法，将粗略的摄像机视角信息以及细粒度的姿态信息集成到卷积神经网络（CNN）模型中，以学习具有判别性的 re-id 嵌入。在最近的工作中，姿态信息要么在 re-id 系统内被显式建模，要么被显式用于预处理，例如通过对行人图像进行姿态归一化。相比之下，所提出的方法表明，将摄像机视角以及检测到的身体关节位置直接用于标准 CNN 可以显著提高所学 re-id 嵌入的鲁棒性。在四个具有挑战性的监控和视频 re-id 数据集上，取得了相对于当前 SOTA 的显著提升。此外，本文还引入了一种对 MARS 数据集的全新重排序，称为 X-MARS，以允许在 tracklet 数据上对为单图像 re-id 训练的模型进行交叉验证。

关键词

行人重识别姿态驱动深度模型卷积神经网络判别性嵌入监控

引用

@article{arxiv.1803.08709,
  title  = {Pose-Driven Deep Models for Person Re-Identification},
  author = {Andreas Eberle},
  journal= {arXiv preprint arXiv:1803.08709},
  year   = {2018}
}

用于行人重识别的姿态驱动深度模型

摘要

关键词

引用

相关论文