时空行人重识别
计算机视觉与模式识别
2018-12-11 v1
摘要
当前多数行人重识别（ReID）方法忽视了时空约束。给定查询图像，常规方法计算查询图像与所有画廊图像之间的特征距离并返回相似度排序表。当实践中画廊数据库非常大时，由于跨不同相机视角的表观歧义，这些方法无法获得良好性能。本文提出一种新颖的双流时空行人重识别（st-ReID）框架，挖掘视觉语义信息与时空信息。为此，引入带有 Logistic 平滑（LS）的联合相似度度量，将两类异构信息整合入统一框架。为近似复杂的时空概率分布，我们开发了快速直方图-Parzen（HP）方法。借助时空约束，st-ReID 模型剔除了大量无关图像，从而缩小了画廊数据库。无需额外技巧，我们的 st-ReID 方法在 Market-1501 上取得 98.1% 的 rank-1 准确率，在 DukeMTMC-reID 上取得 94.4%，分别从基线 91.2% 和 83.8% 提升，大幅优于以往所有 SOTA 方法。
引用
@article{arxiv.1812.03282,
title = {Spatial-Temporal Person Re-identification},
author = {Guangcong Wang and Jianhuang Lai and Peigen Huang and Xiaohua Xie},
journal= {arXiv preprint arXiv:1812.03282},
year = {2018}
}
备注
AAAI 2019