度量集成的结构化学习及其在行人重识别中的应用
计算机视觉与模式识别
2016-05-25 v2
摘要
跨非重叠摄像机网络匹配个体，称为行人重识别，由于视角、光照和遮挡变化引起的巨大视觉外观变化，是一个根本性的挑战问题。文献中的方法可分为两类：第一类是通过预定义方式组合多个视觉特征来开发针对现实条件可靠的特征；第二类是从训练数据中学习度量以确保类间差异大和类内相似度高。然而，寻求一种既通用又适应不同基准的视觉特征最优组合是一个未解决的问题，且由于行人重识别中训练数据稀缺，度量学习模型容易过拟合。本文提出两种基于结构化学习的有效方法，探索视觉特征在不同基准数据集中识别人物的自适应效果。我们的框架建立在多个低级视觉特征及其度量的最优集成基础上。我们制定了两种优化算法，CMCtriplet和CMCstruct，直接优化行人重识别中常用的评估度量，也称为累积匹配特征（CMC）曲线。
引用
@article{arxiv.1511.08531,
title = {Structured learning of metric ensembles with application to person re-identification},
author = {Sakrapee Paisitkriangkrai and Lin Wu and Chunhua Shen and Anton van den Hengel},
journal= {arXiv preprint arXiv:1511.08531},
year = {2016}
}
备注
16 pages. Extended version of "Learning to Rank in Person Re-Identification With Metric Ensembles", at http://www.cv-foundation.org/openaccess/content_cvpr_2015/html/Paisitkriangkrai_Learning_to_Rank_2015_CVPR_paper.html. arXiv admin note: text overlap with arXiv:1503.01543