基于分组优化奖励的强化行人属性识别
计算机视觉与模式识别
2022-05-30 v1
摘要
行人属性识别（PAR）是智能视频监控中的一项具有挑战性的任务。PAR 的两个关键挑战包括图像与属性之间复杂的对齐关系，以及数据分布的不平衡。现有方法通常将 PAR 表述为一个识别任务。与它们不同，本文通过强化学习框架将其作为一个决策任务来处理。具体而言，通过设计巧妙的状态、动作空间、奖励函数和状态转移，将 PAR 表述为马尔可夫决策过程（MDP）。为缓解属性间不平衡问题，我们应用属性分组策略（AGS），根据区域和类别信息将所有属性划分为子组。然后我们采用一个智能体来识别每一组属性，该智能体使用深度 Q 学习算法进行训练。我们还提出了一种分组优化奖励（GOR）函数以缓解属性内不平衡问题。在 PETA、RAP 和 PA100K 三个基准数据集上的实验结果说明了所提方法的有效性和竞争力，并表明将强化学习应用于 PAR 是一个有价值的研究方向。
引用
@article{arxiv.2205.14042,
title = {Reinforced Pedestrian Attribute Recognition with Group Optimization Reward},
author = {Zhong Ji and Zhenfei Hu and Yaodong Wang and Shengjia Li},
journal= {arXiv preprint arXiv:2205.14042},
year = {2022}
}