GLAD是一种用于行人检索的全局-局部对齐描述符，通过Deeper Cut算法提取人体部位，使用共享CNN子网络学习全局和局部特征。实验表明，GLAD在部件检测的准确性和鲁棒性之间取得平衡，且共享参数训练的模型性能更优。
paper下载地址：https://arxiv.org/abs/1709.04329
Introduction
Person Re-ID任务是为了从gallery集中找到与query集中同一个人的图像。应用场景主要集中在视频监控、公共安全等领域，因此一个人的外表可能被摄像头的视角，人体姿态，模糊，遮挡等因素所影响，给此项任务带来挑战。大多数Re-ID工作都可以分为两步，即描述子学习和距离度量学习。
描述子学习：通过学习具有判别性的描述子来表征不同人的外表。
距离度量学习：使得属于同一个人的图像的描述子之间的距离更近。
传统的描述子学习方法通常提取刚性的局部不变特征，因此人体姿态的改变，摄像头视角的改变都能影响其性能，导致不能很好的识别一个人。而大多数基于CNN的方法通过学习全局特征取得了明显的改善，而最近工作将行人图像分成固定长度的块，通过学习更加精细的局部特征，这些方法要比全局描述子性能更加优秀。然而固定长度的块对人体姿态的变化非常敏感，为了解决这个问题，文章提出了Global-Local-Alignment Descriptor (GLAD)。
Approach
GLAD包含两个模块：
- 部件提取&#
最低0.47元/天 解锁文章
扫一扫
913
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
