面向行人重识别的统一多面特征学习
计算机视觉与模式识别
2019-11-25 v2
摘要
行人重识别（ReID）旨在跨多个摄像头从不同视角重新识别行人，学习行人不同部位所表达的多面特征（如主体中的衣物、包及其他配饰，头部的外观，以及脚部的鞋）至关重要。为学习此类特征，现有方法集中于基于分条的方法，即构建多分支神经网络来学习身份各部位的局部特征，每分支网络专用于一个部位。这导致模型复杂且参数量大。为解决该问题，本文提出在简洁的统一单分支神经网络中学习多面特征。为此引入统一多面特征学习（UMFL）框架，其由两个关键协作模块组成：复合批量图像擦除（包括批量常量擦除与随机擦除）和分层结构化损失。该损失将两类图像擦除所产生的增强图像组织为两级层次结构，并强制对不同部位的多面注意力。正如我们在四个基准行人ReID数据集上的广泛实验结果所示，尽管网络结构大幅简化，我们的方法仍显著优于最先进的竞争方法。我们的方法也能有效泛化至车辆ReID，在两个车辆ReID数据集上取得类似提升。
引用
@article{arxiv.1911.08651,
title = {Unified Multifaceted Feature Learning for Person Re-Identification},
author = {Cheng Yan and Guansong Pang and Xiao Bai and Chunhua Shen},
journal= {arXiv preprint arXiv:1911.08651},
year = {2019}
}