Pedestrian Attribute Recognition

参考:Pedestrian Attribute Recognition: A Survey
Pedestrian Attribute Recognition 调研笔记
首先,看下文章结构
在这里插入图片描述其中,重点介绍2015年之后比较新的算法

PROBLEM FORMULATION

输入:一张包含人的图片
输出:attribute的list A={a1, a2, a3…al}
如下图所示:
在这里插入图片描述

DATASET

以下attribute的datset:
在这里插入图片描述在这里面,比较常用的是peta和rap以及rap2.0,下面分别介绍

RAP

RAP数据集包含41585张行人样本,分为69个二分类属性和三个多分类属性,分辨率范围:3692 to 344554

在这里插入图片描述

PETA

19000 images, from 1739 to 169365 pixels.
include 8705 persons
with 61 binary and 4 multi-class attribute
9500 for training, 1900 for verification and 7600 for testing
在这里插入图片描述

state of the art

近些年比较流行的算法类型和能达到的性能如下:
在这里插入图片描述在这里插入图片描述

evaluation criteria

常见的评价指标除了accuracy/precision/recall/F1 以外,还包括mA,具体公式如下
在这里插入图片描述在这里插入图片描述

challenge

行人属性分析中,挑战除了通常情况下的图像模糊,分辨率低等所造成的识别困难外,还包括以下两点挑战:
1)行人属性各不相同,有的需要浅层特征,有的需要高层特征,有的需要局部特征,有的需要全局特征
2)每种属性的收敛速度不相同
3)每种属性标注数据不平衡

regular pipeline

常见的pipeline主要包括两种,1)multitask learning 2)multilabel learning

multitask

指的是将每一类作为一个任务,前面共享神经网络参数,最后n个全连接层并列,每个全连接层负责一个任务的分类,如下图所示:
在这里插入图片描述

multilabel

multilabel是将所有分类作为一个任务处理,用一个全连接层对属性分类,只是预测的不是单一类别,而是类别列表,如下图所示:
在这里插入图片描述

algorithm

下面主要介绍几种常见的算法

HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis(ICCV-2017)在这里插入图片描述在这里插入图片描述

这个算法的主要在于,作者将attention加入到了神经网络的多层中,这样使得不同的属性可以关注不同位置以及不同深度的特征

adaptively weighted multitask deep network for person attribute classification(MM-2017)在这里插入图片描述

这篇论文的特点在于损失函数的改写,将验证集的loss作为学习率的权重加入到训练中。

multi-attribute learning for pedestrian attribute recognition in surveillance scenarios(acpr-2015)

在这里插入图片描述这篇文章的贡献在于解决类别不平衡的问题,将数据量小的类别返回较大的loss

应用

属性分析有很多应用场景,比如分析零售业的目标用户等等

未来的研究方向

attribute的识别一般情况从两方面建模,1)对属性间的不同建模,如不同的关注区域 2)属性间的相关性建模如lstm

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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