论文地址:http://ise.thss.tsinghua.edu.cn/MIG/2018-7.pdf
摘要
行人属性识别是一个预测属性标签的行人从表面图像,这是一个非常具有挑战的任务对于计算机视觉由于差的图像质量和小的训练数据集。它是观察语义行人属性来识别趋向展示语义或空间相关性。属性可以分组使用相关,对比先前工作忽略这个现象。尽管通过循环神经网络(RNN)的极高能力在学习内容相关,这篇文章提出了一个端到端组循环学习GRN模型,它的优势在组内排斥和组内相关来提高性能在行人属性识别。我们的GRL方法开始检测精确的人体区域通过人体区域建议使用特征提取从检测区域。这些特征,使用语义组,进入到RNN来循环组分配识别,组内相关信息将被学习。外部实验证明表示GRL模型实现先进的结果,基于人体属性数据集,标准的PETA和RAP数据集。
系统架构
组循环学习框架包括身体区域建议和循环组分配预测
在PETA和RAP数据集上,测试结果
预测结果
了解更多关于《计算机视觉与图形学》相关知识,请关注公众号:
下载我们视频中代码和相关讲义,请在公众号回复:计算机视觉课程资料