行人属性识别的再思考：真实数据集与高效方法
计算机视觉与模式识别
2020-05-27 v2
摘要
尽管已有多种方法被提出以推动行人属性识别的进展，但现有数据集的一个关键问题常常被忽视，即训练集和测试集中存在大量相同的行人身份，这与实际应用不符。因此，训练集和测试集中同一行人身份的图像极其相似，导致现有方法在现有数据集上的性能被高估。为了解决这个问题，我们基于PETA和RAPv2数据集，遵循行人身份的零样本设置，提出了两个真实数据集PETA\textsubscript{}和RAPv2\textsubscript{}。此外，与我们强大的基线方法相比，我们观察到近期最先进的方法在PETA、RAPv2、PETA\textsubscript{}和RAPv2\textsubscript{}上均未能实现性能提升。因此，通过解决行人属性识别中固有的属性不平衡问题，我们提出了一种高效的方法来进一步提升性能。在现有和所提出的数据集上的实验验证了我们方法的优越性，取得了最先进的性能。
引用
@article{arxiv.2005.11909,
title = {Rethinking of Pedestrian Attribute Recognition: Realistic Datasets with Efficient Method},
author = {Jian Jia and Houjing Huang and Wenjie Yang and Xiaotang Chen and Kaiqi Huang},
journal= {arXiv preprint arXiv:2005.11909},
year = {2020}
}
备注
12 pages, 4 figures. Code is availabel at https://github.com/valencebond/Strong_Baseline_of_Pedestrian_Attribute_Recognition