论文:Eliminating Background-bias for Robust Person Re-identificationhttps://www.researchgate.net/publication/329754383_Eliminating_Background-bias_for_Robust_Person_Re-identification
年份:2018
文章目录
1.简介
最先进的方法主要是利用基于深度学习的方法来学习视觉特征来描述人的外表。 然而,现有的深度学习模型有偏执,无法捕捉到行人图像背景与表征之间的太多相关性。 因此设计了一系列的实验与新的cre-ated数据集,以验证背景信息的影响。 为了解决背景偏差问题,提出了一种基于行人解析映射的person-region guided pooling深神经网 络来学习更多的 discriminative person-part 特征,并提出用随机背景的人图像来增强训练数据。 大量的实验证明该方法的鲁棒性和有效性。
2.背景介绍
以往的方法通常会先将行人图像转化为特征向量,然后通过计算特征向量之间的距离来获得两张图片的相似度。但是这样做存在一些问题:
- 现有的方法通常是将整张图像输入,并且认为所有的像素拥有相同的影响。但是这么做会引入背景噪声。
- 现存的数据集通常是在少有的几个摄像头下进行的数据采集,背景固定,缺乏广泛性
- 缺少一种针对于固定人像区域的提取机制
针对上文问题,本文提出了deep human parsing network用来进行背景和前景分离,此外还基于分离网络提出了深度网络用于ReLD。
那么背景问题对模型的影响是怎样的呢?
直观通过上图感受背景带来的影响:第一张图是原图,第二张图排序是对的,他和第一张图是相似的,但是第三张图和第四张图的排序却出现了错误,这里将同一背景下的不同人与不同背景下的同一人发生了排序混淆,说明背景的存在对于ReID是存在影响的。所以作者提出要消除ReID问题中背景的影响。
为了更好