弱监督行人重识别
计算机视觉与模式识别
2019-05-29 v2
摘要
在传统的行人重识别设定中，假设标注图像是每个人的边界框内行人图像；这种跨多个非重叠摄像头视角从原始视频监控中进行的标注既昂贵又耗时。为克服这一困难，我们考虑弱监督行人重识别建模。该弱设定指的是将目标行人与未裁剪的画廊视频进行匹配，其中我们仅知道该身份出现在视频中，而在训练过程中不要求标注视频任何帧中的身份。因此，对于一个视频，可能存在多个视频级标签。我们将这一弱监督行人重识别挑战转化为多示例多标签学习（MIML）问题。具体而言，我们提出了跨视角 MIML（CV-MIML）方法，通过结合包内对齐与跨视角包对齐，能够从所有摄像头视角中挖掘潜在的类内行人图像。最后，将 CV-MIML 方法嵌入现有深度神经网络以开发深度跨视角 MIML（Deep CV-MIML）模型。我们进行了大量实验以展示所提弱监督设定的可行性，并在四个弱标注数据集上验证了我们的方法相较于相关方法的有效性。
引用
@article{arxiv.1904.03832,
title = {Weakly Supervised Person Re-Identification},
author = {Jingke Meng and Sheng Wu and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:1904.03832},
year = {2019}
}
备注
to appear at CVPR19