这篇文章是由悉尼科技大学Yutian Lin等人完成,在CVPR2016上被收录。论文地址:https://arxiv.org/pdf/1703.07220.pdf
文章主要利用了属性学习(attribute learning)和行人重识别(Re-ID)之间的关系,将在局部特征上表现很好的属性学习和全局学习中的行人重识别方法进行结合,从而构造出一个全新的损失函数,进而提高Re-ID的性能。
一、摘要:
行人重识别和属性学习是两个联系非常紧密的领域,他们都是一种对行人的描述,但是两者在粒度方面存在一定差异,行人重识别考虑的是行人的全局描述,而属性学习是一种在局部描述上的考量。本文从这个角度出发,用多任务方法把ID分类损失和特征分类损失结合在一起,用这个损失函数求出相应的权重。
二、介绍
本文用从属性标签中学习到的互补信息来提高大规模数据下的Re-ID性能。只从全局考虑,我们可能无法区分两个看上去很相似的人,但如果进一步从细节上进行考量,我们可以对此作出正确区分。
与之前的研究相比,这篇文章主要有以下两点差异:
1、之前的方法几乎都是利用属性来增强两张或三张图片之间的联系,原因是因为在使用的数据集中一般是每个身份有两到三张图片,但是在行人重识别数据集中,每一个身份有多个图片,因此我们在这里使用CNN模型而不是孪生模型(siamese model)。
2、我们在这里尝试引入属性来检验是否可以提高Re-ID的性能,值得一提的是,在本文中我们考虑的是属性都是ID级别属性而非实例属性。两者的差异如下:
ID级别属性:行人本身所具有的属性,而且在长时间内保持不变,如年龄、性别等与之相关的属性
实例属性:在短时间内出现,或者输入外部环境的属性,如自行车、手机等。
本文主要有如下两大贡献;
1、将ID损失和属性分类损失进行合并,并提出一种基于属性的行人识别神经网络(ASR)。
2、 在Market1501和DukeMTMC-reID数据集中人工标注了一些行人属性。