行人再识别中基于无监督学习的粗细粒度特征提取

摘要：

行人再识别研究中存在特征判别信息不够丰富的情况,并且遮挡、光照等因素会干扰有效特征的准确提取,对后续相似性度量、度量结果排序等工作都有较大影响.此外,监督学习需要使用标签信息,在面对大型数据集时工作量很大.通过引入无监督学习框架,提出一种粗细粒度判别性特征提取方法.构建基于细粒度和粗粒度特征学习的模型框架,其中包含局部和全局2个分支.在局部分支中,对图像学习到的特征映射提取补丁块,并在未标记数据集上学习不同位置的细粒度补丁特征;在全局分支中,使用无标注数据集的相似度和多样性作为信息来学习粗粒度特征.在此基础上,利用相吸和相斥2个损失函数分别增加类别内相似度和类别间多样性,并结合最小距离准则计算特征之间的相似度,进行无监督的聚类合并.在Market-1501和DukeMTMC-reID数据集上的实验结果表明,该方法对于完成行人再识别任务具有较好的判别性能和鲁棒性,相比所有对比方法的最优结果,其Rank-1指标分别提高5.76％和5.07％,平均精度均值分别提高3.2％和5.6％.

关键词：计算机视觉、行人再识别、无监督学习、特征学习、损失函数、最小距离准则

所属期刊栏目：48

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;上海市教育委员会;上海市教育发展基金会晨光计划

在线出版日期：2022-06-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：269-275,283