re-OBJ：联合学习前景与背景的物体实例重识别
计算机视觉与模式识别
2019-09-24 v2
摘要
传统的物体实例重识别方法依赖于在一组帧中匹配目标物体的外观。然而，当场景中存在多个外观相似物体或同一物体类的多个实例时，仅学习物体外观可能会失败。本文提出，对于刚性场景，尤其是存在大量重复相同物体模型的刚性环境，可利用背景的部分观测来辅助物体重识别任务。通过对 Mask R-CNN 架构的扩展，我们学习联合编码背景中与刚性真实场景相关的重要且独特的信息以及前景信息，例如物体静止且相机在场景中移动的室内环境。我们在 ScanNet 数据集上展示了联合视觉特征在物体重识别中的有效性，并显示出相比 deepSort 方法在 rank-1 准确率上约 28.25% 的相对提升。
引用
@article{arxiv.1909.07704,
title = {re-OBJ: Jointly Learning the Foreground and Background for Object Instance Re-identification},
author = {Vaibhav Bansal and Stuart James and Alessio Del Bue},
journal= {arXiv preprint arXiv:1909.07704},
year = {2019}
}
备注
Accepted to ICIAP 2019 and awarded the Best Student Paper