面向行人重识别的视角混淆特征学习
计算机视觉与模式识别
2019-10-10 v1
摘要
行人重识别是视频监控中的一项重要任务，旨在跨不同位置与时间的摄像头视角关联行人。视角变化始终是严重降低行人重识别性能的一个挑战性问题。现有多数方法要么聚焦于如何学习视角不变特征，要么聚焦于如何组合视角相关特征。本文中，我们主要通过视角混淆学习机制去除视角特定信息，从而学习视角不变特征。具体地，我们提出一个端到端可训练框架，称为视角混淆特征学习（VCFL），用于跨摄像头行人重识别（Re-ID）。据我们所知，VCFL 最初被提出用于学习视角不变的身份级特征，且它是视角通用与视角特定方法的一种结合。分类器与特征中心被用于实现视角混淆。此外，我们利用词袋模型提取 sift 引导特征，以辅助深度网络训练监督并增强特征的视角不变性。实验中，我们的方法在包括 CUHK01、CUHK03 与 MARKET1501 的三个基准数据集上得到验证，显示出相较若干 SOTA 方法的优越性。
引用
@article{arxiv.1910.03849,
title = {View Confusion Feature Learning for Person Re-identification},
author = {Fangyi Liu and Lei Zhang},
journal= {arXiv preprint arXiv:1910.03849},
year = {2019}
}
备注
accepted by ICCV2019