基于显著身体部位的加权双线性编码用于行人重识别
计算机视觉与模式识别
2020-01-09 v3
摘要
深度卷积神经网络（CNN）在行人重识别中表现出主导性能。现有的基于 CNN 的方法利用全局平均池化（GAP）来聚合中间卷积特征以进行 Re-ID。然而，该策略仅考虑局部特征的一阶统计量，并同等对待不同位置的局部特征，导致特征表示次优。为了解决这些问题，我们提出了一种用于 CNN 网络中局部特征聚合的新型加权双线性编码（WBC）框架，以追求更具代表性和判别性的特征表示，该框架可适应其他 state-of-the-art 方法并提高其性能。具体而言，双线性编码用于编码通道维度的特征相关性，以捕获更丰富的特征交互。同时，在双线性编码上应用加权方案，根据局部特征在识别中的重要性自适应地调整不同位置的局部特征权重，进一步提高特征聚合的判别能力。为了处理空间错位问题，我们使用显著部位网络（空间注意力模块）来导出显著身体部位，并在每个部位上应用 WBC 模型。通过拼接每个部位的 WBC 编码特征形成的最终表示既具判别性又对空间错位具有抗性。在包括 Market-1501、DukeMTMC-reID 和 CUHK03 在内的三个基准上的实验证明了我们的方法相对于其他杰出方法的优越性能。
引用
@article{arxiv.1803.08580,
title = {Weighted Bilinear Coding over Salient Body Parts for Person Re-identification},
author = {Zhigang Chang and Qin Zhou and Heng Fan and Hang Su and Hua Yang and Shibao Zheng and Haibin Ling},
journal= {arXiv preprint arXiv:1803.08580},
year = {2020}
}
备注
22 pages