基于鲁棒姿态变换GAN的姿态不变行人重识别
计算机视觉与模式识别
2021-06-02 v2 人工智能
机器学习
摘要
行人重识别（re-ID）的目标是在给定感兴趣行人单个实例的情况下，从图像库中检索该人的图像。尽管已有若干进展，但由于人体姿态变化大，学习具有判别性、身份敏感且视角不变的特征以实现鲁棒行人重识别仍是一项重大挑战。本文提出一种re-ID流程，利用生成对抗网络（GAN）的图像生成能力，结合姿态聚类与特征融合，实现姿态不变特征学习。其目标是建模给定行人在不同视角与大姿态变化下的表现，并从所有外观中提取最具判别性的特征。姿态变换GAN（pt-GAN）模块被训练为生成任意给定姿态下的行人图像。为识别用于判别性特征提取的最显著姿态，提出了一种姿态聚类模块。该行人的给定实例被建模于不同姿态，这些特征通过特征融合网络有效结合。由这三个子模块构成的最终re-ID模型缓解了行人重识别中的姿态依赖性。此外，所提模型对遮挡、尺度、旋转与光照具有鲁棒性，提供了视角不变特征学习的框架。所提方法在4个基准数据集上优于基于GAN的现有最优（SOTA）模型，也超越了那些报道了相对于基线更高re-ID精度的SOTA模型。
引用
@article{arxiv.2105.00930,
title = {Pose Invariant Person Re-Identification using Robust Pose-transformation GAN},
author = {Arnab Karmakar and Deepak Mishra},
journal= {arXiv preprint arXiv:2105.00930},
year = {2021}
}
备注
Undergraduate thesis at Indian Institute of Space Science and Technology, Under review in IEEE Systems, Man and Cybernetics (SMCA)