基于深度行人重识别的增强时间注意力与分裂率迁移
计算机视觉与模式识别
2018-12-31 v2
摘要
我们探讨了利用商用深度传感器进行行人重识别的问题。基于深度的识别所面临的一个挑战是数据稀缺。我们的第一个贡献通过引入分裂率 RGB 到深度迁移来解决这一问题，该方法比流行的微调方法更有效地利用了大型 RGB 数据集。我们的迁移方案基于以下观察：深度卷积神经网络底层层的模型参数可以在 RGB 数据与深度数据之间直接共享，而其余层则需要快速微调。我们的第二个贡献通过将时间注意力实现为作用于帧级特征的 Bernoulli-Sigmoid 单元，增强了视频重识别能力。由于该单元是随机的，时间注意力参数采用强化学习进行训练。大量实验验证了我们的方法在从深度序列中进行行人重识别的准确性。最后，在目标穿着未见过的衣物场景下，与依赖 RGB 数据的 SOTA 模型相比，我们展示了巨大的性能提升。
引用
@article{arxiv.1705.09882,
title = {Reinforced Temporal Attention and Split-Rate Transfer for Depth-Based Person Re-Identification},
author = {Nikolaos Karianakis and Zicheng Liu and Yinpeng Chen and Stefano Soatto},
journal= {arXiv preprint arXiv:1705.09882},
year = {2018}
}
备注
19 pages, 7 figures, 2 tables