论文阅读之 Improving person re-identification by attribute and identity learning

最新推荐文章于 2022-05-19 14:12:51 发布

star_function

最新推荐文章于 2022-05-19 14:12:51 发布

阅读量894

点赞数

CC 4.0 BY-SA版权

分类专栏：行人重识别文章标签：计算机视觉机器学习神经网络

本文链接：https://blog.csdn.net/qq_39220334/article/details/117841096

1. 摘要

提出问题：行人重识别和属性识别任务都需要学习行人描述，不同之处在描述粒度不同。把二者结合一下，会有更好的效果吗？
解决思路：融合属性标签和ID标签
具体实现：提出了attribute-person recognition (APR)网络， re-ID 的同时预测属性。给两个大规模的 re-ID 数据集手动标注了属性标签，用于检验解决方法的有效性。
解决效果：将APR 应用于行人重识别，检索过程加快了 10 倍，而 Market-1501 的准确度仅下降了 2.92%。将 APR 应用于属性识别任务，结果表明相较基线模型提升很多。

2. 主要贡献

作者总结了文章的主要贡献：

为 Market-1501 数据集和 DukeMTMC-reID 数据集手动标记了一组行人属性。
提出了一种新的属性行人重识别 (APR) 框架。它学习了用于行人重识别和属性识别的判别性属性。
引入了属性重加权模块（ARM），它根据学习到的属性之间的依赖和相关性来校正属性的预测。
提出了一种属性加速过程，通过从查询图像中过滤出具有不同属性的图库图像来加快检索过程。
在两个大规模数据集即 Market-1501 [17] 和 DukeMTMC_reID [20] 上，与最先进的 re-ID 方法相比，提出的算法获得了具有竞争力的准确性。同时还展示了算法对于属性识别任务的基本模型性能的提高。

3. 提出的模型（APR）

APR（Attribute-Person Recognition network）的总体结构如下图所示。APR 针对 identity classification 任务和 attribute recognition 任务分别设计了预测。
属性预测：一张行人图片输入网络，卷积神经网络特征提取器（CNN Extractor） φ 获取其特征表示（Feature），接着基于行人图片特征给出属性预测。通过 ground truth label 和属性预测可以计算得到属性损失（attribute losses）。
身份预测：由于局部描述符（属性）有益于全局描述符（identity），因此可将属性预测视为身份预测的线索。ID loss （身份损失）的计算则不仅与 global image feature 有关，还和 local descriptors (attributes) 有关，是二者组合的结果。