用于大规模行人重识别的基于区域的质量估计网络
计算机视觉与模式识别
2017-12-22 v2
摘要
基于视频的行人重识别（re-id）性能的主要限制之一是由遮挡、模糊和光照引起的局部噪声。由于单帧的不同空间区域具有不同质量，且同一区域在轨迹（tracklet）中各帧间的质量亦发生变化，解决该问题的一种良好方式是有效聚合序列中所有帧的互补信息，利用其他帧中较好的区域来补偿质量较差图像区域的影响。为此，我们提出了一种新颖的基于区域的质量估计网络（RQEN），其中巧妙的训练机制使得有效学习提取不同帧间基于区域的互补信息成为可能。与其他特征提取方法相比，我们在PRID 2011、iLIDS-VID和MARS上分别取得了92.4%、76.1%和77.83%的可比结果。此外，为缓解学界缺乏干净的大规模行人重识别数据集的问题，本文还贡献了一个名为“野外标注行人（Labeled Pedestrian in the Wild, LPW）”的新高质量数据集，包含7,694条轨迹和超过590,000张图像。尽管规模相对较大，其标注亦具备高洁净度。而且，其在以下方面更具挑战性：人物年龄从童年到老年不等；人们姿态多样，除正常行走状态外还包括奔跑和骑行。
引用
@article{arxiv.1711.08766,
title = {Region-based Quality Estimation Network for Large-scale Person Re-identification},
author = {Guanglu Song and Biao Leng and Yu Liu and Congrui Hetang and Shaofan Cai},
journal= {arXiv preprint arXiv:1711.08766},
year = {2017}
}
备注
Accepted by AAAI 2018