基于监督平滑流形的可扩展行人重识别
计算机视觉与模式识别
2017-03-27 v1
摘要
现有的大多数行人重识别算法要么提取鲁棒的视觉特征，要么学习行人图像的判别性度量。然而，这些图像所处的底层流形很少被研究。这引发了一个问题：学习到的度量相对于数据流形的局部几何结构并不平滑。在本文中，我们研究基于流形的亲和力学习的行人重识别，这一方向此前未得到该领域的足够关注。我们提出了一种非常规的流形保持算法，该算法能够：1）充分利用训练数据的监督信息，其标签信息以成对约束的形式给出；2）以较低的在线时间复杂度扩展到大型图像库；3）嵌入到大多数现有算法中，作为一个通用的后处理步骤，进一步提升识别准确率。在五个流行的行人重识别基准数据集上的大量实验结果一致证明了我们方法的有效性。特别是在最大的CUHK03和Market-1501数据集上，我们的方法以高效率大幅超越了最先进的替代方案，更适合实际应用。
引用
@article{arxiv.1703.08359,
title = {Scalable Person Re-identification on Supervised Smoothed Manifold},
author = {Song Bai and Xiang Bai and Qi Tian},
journal= {arXiv preprint arXiv:1703.08359},
year = {2017}
}
备注
Accepted as spotlight by CVPR 2017