基于上下文互增强的鲁棒行人重识别
计算机视觉与模式识别
2020-09-17 v1
摘要
受深度学习发展的推动，行人重识别(Re-ID)取得了巨大进展。然而，现代行人重识别仍受到实践中常见的背景杂波、遮挡和大幅姿态变化的挑战。先前的方法通过外部线索（如姿态估计、人体解析）或注意力机制来定位行人，但存在计算成本高和模型复杂度增加的问题。本文提出上下文互增强网络(CMBN)。它通过有效利用上下文信息和统计推断来定位行人并重新校准特征。首先，我们构建两个共享卷积前端的分支，分别学习前景和背景特征。通过使这两个分支相互作用，它们相互提升空间定位的准确性。其次，从统计视角出发，我们提出掩码生成器，利用变换矩阵的激活分布生成静态通道掩码作用于表征。该掩码重新校准特征以放大有价值的特征并抑制噪声。最后，我们提出上下文分离策略，联合且独立地优化两个分支，进一步提升了定位精度。在基准数据集上的实验证明了该架构相对于当前最优方法的优越性。
引用
@article{arxiv.2009.07491,
title = {Robust Person Re-Identification through Contextual Mutual Boosting},
author = {Zhikang Wang and Lihuo He and Xinbo Gao and Jane Shen},
journal= {arXiv preprint arXiv:2009.07491},
year = {2020}
}
备注
8 pages, 4 figures, conference