Person Re-identification by Probabilistic Relative Distance Comparison 论文笔记

最新推荐文章于 2024-09-22 07:06:23 发布
最新推荐文章于 2024-09-22 07:06:23 发布
阅读量602 收藏 2
点赞数 1
分类专栏： 行人再识别 文章标签： 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LLL_mg/article/details/105304785
版权

Person Re-identification by Probabilistic Relative Distance Comparison 论文笔记

论文链接：Person Re-identification by Probabilistic Relative Distance Comparison

Re-ID（行人再识别技术）是什么？

由于缺乏时空限制，以及视角、光线、背景杂波和遮挡的变化导致视觉外观的巨大变化，在不重叠的相机视图中匹配人。

Re-ID实现的两个方面

  1. 提取外观变化中既独特又稳定的视觉特征
    选择一个合适的特征表示方法，使其能够提取更加具有鲁棒性的鉴别特征对行人进行表示
  2. 设定学习方法使匹配精度最大化
    学习一个良好的距离度量学习方法，学习出一个投影矩阵W能够表示距离，将同一行人的不同图像比作同类样本，不同行人的图像比作不同类样本。距离就是匹配度，即两个图像是一个人的可能性，距离越小表示是同一个人的匹配度越高，距离越大表示匹配度越小。也就是使得在投影空间中同类样本之间的距离较小，不同类样本之间的距离较大。

前提

大多数现有的研究更倾向于寻找一种更独特和稳定特性表示人们的外表，范围广泛的颜色直方图，再选择简单的标准的距离度量（比如L1范数、L2范数）

为此需要学习一种最优的距离度量，使得无论选择何种表达方式，都能使匹配精度最大化。

因此提出了一种新的算法：概率相对距离比较模型（PRDC）

旨在目标函数最大化一对真实匹配（即同一个的两张真实图像）与一对相关的错误匹配（即两个人的两张真实图像）的之间的距离的概率。

PRDC与其他方法比较

PRDC与传统方法

传统的远程学习方法是将类内差异减小，类间差异增大，即同一个人A的所有照片之间的距离缩短，将另一个人B与A的照片之间的距离增大。
传统的远程学习方法的缺陷是:

  1. 由于不同的条件导致类内的差异很大；
  2. 类间的差异在不同类之间也存在较大的差异；
  3. 用于构建代表性的类分布欠采样。（强行最小化类内距离最大化类间距离将会过拟合；若学习距离则降低复杂性，缓解过拟合问题。）

PRDC与RankSVM的比较：

  1. 基于RankSVM的可选全局选择方法是一阶特征选择方法（不能利用不同特征之间的相关性）；
    PRDC是二阶特征选择方法。
  2. RankSVM通过将排序误差函数与大容差函数融合在目标函数中来缓解过拟合问题；
    目标函数概率公式使PRDC更能容忍类内与类间的大变化和数据稀疏性。
  3. 调整RankSVM的关键自由参数来确定margin函数和ranking error函数之间的权值，计算开销大；
    PRDC无这方面的问题。

模型介绍：

1. 寻找合适的特征表示方法

特征表示示意图如下：
这里的特征表示方法是先将一个人的图像分成6个横条纹，每个条纹构造29个特征通道，通过滤波器提出相应的颜色特征和两种纹理特征。每个特征通道用16维直方图向量表示这些特征。最终每个人的图像有一个特征向量在2784维的特征空间表示。

2. 学习一种合适的度量距离学习方法

提出了Re-ID概率相对距离比较（PRDC）：
算法基本定义：
在这里插入图片描述
定义两个集合：训练集中包括一个人的多维特征及其它的类标签。集合O则是表示类内和类间的差异向量，差异向量为： 。然后定义一个距离函数 ，一般用马氏距离表示，我们所要获得的是类内距离小于类间距离的最优学习情况，也就是保证公式（1）的概率最小化：在这里插入图片描述
公式(1)

根据极大似然准则函数得到最优函数f：
在这里插入图片描述
公式(2)

距离函数f参数化为基于Mahanalobis(二次)的距离函数:
在这里插入图片描述
公式(3)

其中M是半定矩阵。因此，远程学习问题变成了学习和思考公式(2)
对M进行特征值分解:在这里插入图片描述
公式(4)

其中A的列向量是M的标准正交特征向量， 的对角是对应的特征值。注意W是正交的。因此，学习一个函数f等价于学习一个正交矩阵W= (w1，···，wa，···，wL)
在这里插入图片描述公式(5)

注：（马氏距离函数的二次形式） ，其中S表示样本协方差矩阵。公式（1）可以看做sigmoid函数的变形。

算法迭代优化——寻找低秩（非平凡解）解，可克服过拟合

定义一个空矩阵W,迭代a次后，加入一个新的估计列Wa 满足停止条件，迭代结束。

step1

经过a次迭代后，共得到a个正交向量w1，w2，···，wa；为了学习下一个正交向量wa+1，令：
在这里插入图片描述
公式(6)
其中w0=0,，xip,j ，xin,j 为第j次迭代的差向量。
在这里插入图片描述
公式(7)

其中，在这里插入图片描述即在在这里插入图片描述方向上的单位向量。

step2：利用公式(7)求出xip,a+1 ，xin,a+1，，令在这里插入图片描述在这里插入图片描述，然后学习在这里插入图片描述对的一个新的最优投影：
公式(8)

其中在这里插入图片描述
作为损失函数。
根据梯度下降法学习迭代：
在这里插入图片描述
公式(9)
在这里插入图片描述
其中，为每个梯度更新步骤自动确定的步长，根据公式(9)的下降方向，设置初值：在这里插入图片描述
当满足损失函数低于一定结果时，迭代结束。

知识海洋里的咸鱼
关注
专栏目录
Re-ID： Reidentification by Relative Distance Comparison 论文解析
linwh8的博客
11-14 1433
注：刚刚看完了这篇论文，顺便整理了一下这篇论文的思路，还是得膜一下伟诗大佬，666 论文地址：Person Re-identification 论文解析 Matching people across nonoverlapping camera views at different locations and different time. RE-ID的一个经典的简化设定是一个pro...
行人再识别技术
a128251857的博客
08-17 1万+
行人再辨识技术   寒假我就开始读周志华老师的《机器学习》。对于AI领域中，机器学习在CV和CG中的交叉研究很感兴趣。其中，寒假写了一点关于行人再辨识技术（person re-identification）的东西。 行人再辨识技术（person re-identification）是目前视频监控的热门研究方向，综合运用计算机视觉，机器学习以及模式识别技术于监控系统中。计算机视觉领域的学者们
行人再识别（行人重识别）【包含与行人检测的对比】
yllifesong的博客
07-10 1万+
原 行人再识别（行人重识别）【包含与行人检测的对比】 2014年12月03日 17:26:16 阅读数：18214 ...
机器学习论文合集（pdf格式）.zip
03-10
25篇机器学习经典论文合集，有需要欢迎积分自取 Efficient sparse coding algorithms论文附有代码 [1] Zheng S, Kwok J T. Follow the moving leader in deep learning[C]//Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017: 4110-4119. [2] Kalai A, Vempala S. Efficient algorithms for online decision problems[J]. Journal of Computer and System Sciences, 2005, 71(3): 291-307. [3] Kingma, D. and Ba, J. Adam: A method for stochastic optimization. In Proceedings of the International Conference for Learning Representations, 2015. [4] Lee H, Battle A, Raina R, et al. Efficient sparse coding algorithms[C]//Advances in neural information processing systems. 2007: 801-808. [5] Fan J, Ding L, Chen Y, et al. Factor Group-Sparse Regularization for Efficient Low-Rank Matrix Recovery[J]. 2019. [6] Z. Lai, Y. Chen, J. Wu, W. W. Keung, and F. Shen, “Jointly sparse hashing for image retrieval,” IEEE Transactions on Image Processing, vol. 27, no. 12, pp. 6147–6158, 2018. [7] Z. Zhang, Y. Chen, and V. Saligrama, “Efficient training of very deep neural networks for supervised hashing,” in Proc. IEEE Int. Conf. Computer Vision and Pattern Recognition, 2016, pp. 1487–1495. [8] Wei-Shi Zheng, Shaogang Gong, Tao Xiang. Person re-identification by probabilistic relative distance comparison[C]// CVPR 2011. IEEE, 2011. [9] Liao S, Hu Y, Zhu X, et al. Person re-identification by local maximal occurrence representation and metric learning[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 2197-2206. [10] Liu X, Li H, Shao J, et al. Show, tell and discriminate: Image captioning by self-retrieval with partially labeled data[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 338-354. [11] Yao T, Pan Y, Li Y, et al. Exploring visual relationship for image captioning[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 684-699. [12] Chao Dong, Chen Change Loy, Kaiming He, and Xiaoou Tang., ”Image Super-Resolution Using Deep Convolutional Networks, ” IEEE Transactions on Pattern Analysis and Machine Intelligence, Preprint, 2015. [13] M. D. Zeiler, D. Krishnan, Taylor, G. W., and R. Fergus, "Deconvolutional networks," in Proc. IEEE Comput. Soc. Conf. Comput. Vision Pattern Recog., 2010, pp. 2528-2535. [14] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587. [15] Girshick R . Fast R-CNN[J]. Computer Science, 2015. [16] Joseph Redmon, Santosh Divvala, Ross Girshick, et al. You Only Look Once: Unified, Real-Time Object Detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016. [17] LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324. [18] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. science, 2006, 313(5786): 504-507. [19] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems. 2012: 1097-1105. [20] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]//European conference on computer vision. Springer, Cham, 2014: 818-833. [21] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9. [22] Wu, Y., & He, K. (2018). Group normalization. In Proceedings of the European Conference on Computer Vision (ECCV) (pp. 3-19). [23] Goodfellow I,Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680. [24] Tran, L., Yin, X., & Liu, X. (2017). Disentangled representation learning gan for pose-invariant face recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1415-1424). [25] Pu, Y., Gan, Z., Henao, R., Yuan, X., Li, C., Stevens, A., & Carin, L. (2016). Variational autoencoder for deep learning of images, labels and captions. In Advances in neural information processing systems (pp. 2352-2360).
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
热门推荐
dengheCSDN的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
Amazing！在线浏览 Stata Journal 单篇论文 (2001-2019)
Stata连享会
12-20 4772
  作者：许梦洁 (中山大学)   Stata 连享会： 知乎 | 简书 | 码云 | CSDN Stata连享会 精品专题 || 精彩推文 导言：   什么是 Stata Journal ？ Stata Journal (SJ) 是 Stata 公司主办的期刊，聚集了全球最优秀、最勤奋的 Stata 用户，分享计量和统计方法的最新进展。其行文风格简洁明了，辅以 Stata 范例来解...
DIVERSITY REGULARIZED METRIC LEARNING FOR PERSON RE-IDENTIFICATION（ICIP2016）
鄠邑原野的博客
08-02 864
基于多元正则化度量学习的行人再识别 ABSTRACT 度量学习是行人再识别的有效方法。 它利用潜在因素找到适合测量距离的合适空间。 通常，少数因素不足以匹配行人，而大量因素导致高计算成本。 在本文中，为了平衡这种操作，提出了一种新的多元正则化距离度量学习方法。 对于特征表示，从源图像中提取局部判别特征，并且提出邻接最大约束以处理未对准的问题。 然后利用多样正则化容器通过使潜在因子不相关来学习度...
行人重识别(4)——行人重识别（基于视频）综述
R.I.P Kobe Bryant
12-22 2448
介绍行人重识别（基于视频）方向的相关方法、研究热点与相关数据集。
行人去重文整理总结
茅场晶彦
09-27 2442
概 述行人重识技术能对消费者进行身份确认，这为门店客流的精准统计与精准营销提供了技术支撑。基于门店场景行人重识别的研究需求，最近在网上搜索关于“行人重识别”及“行人再识别”等关键词，发现几乎都是关于行人检测的内容，除了能在谷歌学术中搜到一些行人重识别的学术论文外，行人重识别的资料明显没有行人检测的丰富。零售行业的智能化发展对行人重识技术提出了更高的要求，门店是顾客消费的重要场景，因此结合门店中行人重
行人重识别(3)——行人重识别（基于图像）综述
R.I.P Kobe Bryant
01-26 7030
介绍行人重识别（基于图像）方向的相关方法、研究热点与相关数据集。
行人重识别综述学习笔记
weixin_43741711的博客
01-26 3090
行人重识别的概念、评价标准，基于图像的行人重识别方法以及基于视频的行人重识别方法，以及深度学习在行人重识别上的应用。
一起对话式学习-机器学习02——机器学习方法三要素
weixin_73074505的博客
09-16 1199
机器学习方法=模型+策略+算法 可以理解为：机器学习模型在一定优化策略下使用相应求解算法来达到最优化目标。
物理学基础精解【7】
最新发布
理论物理与应用物理之家
09-22 745
它表示两点之间的直线距离，即连接这两点的线段的长度。在n维空间中，点之间的距离的计算与二维或三维空间中的计算类似，但涉及更多的坐标轴。注意，数量积的结果是一个标量，而不是向量。在n维空间中，无论n的值是多少，距离的计算都遵循上述公式，只是需要考虑更多的坐标轴。上面的两种变换，先后顺序不影响最后结果，可以先旋转再平移，也可反过来，等等。数量积是两个向量之间的一种运算，其结果是一个标量（实数）。这个公式来源于勾股定理，即将两点间的线段视为直角三角形的斜边，而。向量减法可以看作是加上一个向量的相反向量。
通过解预测和机器学习促进蚁群优化
太极生两鱼
09-16 1141
ML - ACO 算法的第一阶段，使用一组已知最优解的小定向越野问题实例训练一个 ML 模型。具体来说，使用分类模型根据问题特定的特征和统计度量来判断一条边是否属于最优路线。然后，训练后的模型用于预测测试问题实例中图中一条边属于最优路线的 “概率”。在第二阶段，我们将 ML 模型预测的概率值纳入 ACO 算法中，即使用概率值作为启发式权重或用于初始化信息素矩阵。这样做的目的是使 ACO 的采样偏向于那些预测更有可能属于最优路线的边，从而有望提高 ACO 找到高质量路线的效率。
cuda与机器学习
2303_77224751的博客
09-19 1677
CUDA是由NVIDIA开发的并行计算平台和编程模型，允许开发者利用支持CUDA的NVIDIA GPU来加速计算密集型任务。CUDA提供了扩展的C/C++语言，以及用于在GPU上执行并行计算的API。线程线程块线程的集合：线程块是多个线程的集合，组成一个可在 GPU 上执行的基本调度单元。线程块索引：通过 、、 获取线程块的索引。线程块大小：通过 、、 获取线程块的维度大小。全局线程索引：结合线程块索引和线程索引，可以计算线程在整个网格中的全局索引。 网格 线程块的集合：网格是线程块的集合，用于组
机器学习查漏补缺（2）
garrulousabyss的博客
09-20 1034
[E] How can we use second-order derivatives for training models?Second-order derivatives can be used to train models via optimization techniques that go beyond gradient-based (first-order) methods. One popular second-order method is Newton's method, which
ecoc2020 tu1j-6 probabilistic and geometric shaping for next-generation 100g
11-20
混合概率和几何塑形（probabilistic and geometric shaping）是为了实现下一代100G通信而引入的一种高级调制技术。这种技术结合了概率和几何的特征，可以提高数据传输的效率和可靠性。 在传统的通信系统中，数据通过将特定的数据符号映射到调制信号中进行传输。然而，随着通信速度的增加，传统的调制方案会受到限制，导致传输速率和可靠性的下降。为了克服这些限制，混合概率和几何塑形技术被提出。 混合概率和几何塑形技术利用了概率和几何的特性来设计调制信号。通过合理地分配概率和几何参数，可以最大限度地提高信道容量和传输效率。具体而言，概率塑形技术通过调整不同数据符号的概率分布来优化数据传输过程。而几何塑形技术则通过调整调制信号的几何形状来提高抗噪声和干扰的能力。 通过混合概率和几何塑形技术，下一代100G通信系统可以实现更高的传输速率和更好的抗干扰性能。这种技术的引入将促进通信领域的发展，并推动高速通信的普及和应用。 总而言之，混合概率和几何塑形技术是为下一代100G通信系统设计的一种高级调制技术。它结合了概率和几何的特性，以提高传输速率和可靠性。这种技术的应用将推动通信领域的发展，为高速通信的实现提供技术支持。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值