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

最新推荐文章于 2024-09-15 22:11:15 发布
最新推荐文章于 2024-09-15 22:11:15 发布
阅读量600 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 1432
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 4771
  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 2438
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 7027
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 3088
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。
分类预测|基于贝叶斯优化长短期记忆网络的数据分类预测Matlab程序 多特征输入多类别输出 BO-LSTM 附赠预测新数据
2401_86241083的博客
09-12 1519
分类预测|基于贝叶斯优化长短期记忆网络的数据分类预测Matlab程序 多特征输入多类别输出 BO-LSTM 附赠预测新数据
机器学习评估指标-学习篇
qq_38925911的博客
09-12 1247
模型评估是机器学习和人工智能领域中的一个关键环节，它旨在对训练好的模型进行性能评估，以了解模型在未见过的新数据上的表现。模型评估的目的通过评估，确定模型在给定任务上的准确度、可靠性、泛化能力等指标。发现模型在特定类型数据或情境中的弱点，如过拟合、欠拟合或偏差。提供关于如何调整模型参数、优化数据处理方法的具体见解。评估结果是迭代开发过程中不可或缺的部分，帮助开发者在每个阶段优化模型。评估模型在现实世界复杂和不可预测数据上的表现，确保模型能够有效工作。样本集划分。
机器学习与深度学习的区别
与时俱进，一专多能。
09-12 1450
深度学习是机器学习的一个子集，主要使用了一种特定类型的模型——神经网络，特别是多层次的神经网络（也称为深度神经网络）。深度学习的概念在20世纪60年代已有雏形，但直到2006年，随着科技的发展，特别是在计算能力和数据可用性方面的突破，深度学习才开始获得广泛关注。3. 计算需求：深度学习通常需要更强大的计算资源和更多的数据来训练有效的模型，而传统的机器学习方法可能不需要那么多资源。总的来说，深度学习是机器学习的一个高级分支，专注于通过神经网络解决复杂的、高维度的分析问题。
机器学习和深度学习区别
hai40587的博客
09-11 750
机器学习：是人工智能的一个分支，它让计算机能够在没有明确编程的情况下，通过观察和分析大量数据来学习并做出预测或决策。机器学习起源于20世纪50年代，随着算法的不断发展，逐渐形成了多种经典算法，如决策树、支持向量机、随机森林等。深度学习：则是机器学习的一个子领域，它主要依赖于深度神经网络模型进行学习和预测。深度学习在21世纪初开始兴起，特别是随着计算能力的提升和大数据的普及，深度学习算法得以广泛应用，并取得了显著成效。
机器学习与深度学习的区别详解
最新发布
不止顾望 不怠所学
09-15 893
在数据科学和人工智能领域，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）是两个非常重要的概念。本文将详细介绍机器学习和深度学习的不同之处，帮助读者更好地理解这两个技术的特点和应用场景。机器学习方法在处理小数据量和需要解释性的任务时表现良好，而深度学习方法在处理大规模数据和复杂任务时具有显著优势。深度学习是机器学习的一个子领域，主要依赖于人工神经网络，尤其是深层神经网络（即具有多层隐藏层的神经网络）。希望本文能够帮助你更好地理解机器学习和深度学习的区别。
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...
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