基于变分对抗与强化学习的行人重识别
行人重识别技术在实际应用中易受行人姿态变化的干扰,由于行人姿态的变化不仅丢失部分行人信息,而且还会引起大于身份差异的外观变化,导致现有工作难以学到鲁棒的行人特征.为了解决上述问题,本文提出一种基于变分对抗与强化学习的生成式对抗网络(RL-VGAN)用于多姿态行人重识别任务.该方法的核心思想是在不受姿态变化干扰的情况下通过外观编码器和姿态编码器将行人属性分解为外观特征和姿态特征,用以学习鲁棒的身份视觉特征.首先,设计的变分生成网络利用Kullback-Leibler散度损失促进外观编码器推断与身份信息相关的连续隐变量.其次,为了使生成式对抗网络逐步收敛到稳定状态,采用强化学习策略平衡变分生成网络和判别网络的性能.此外,针对基于姿态引导图像生成任务,提出一种新的Inception Score损失用于规范变分生成网络生成图像质量的过程.实验结果证明,所提出的RL-VGAN方法在多个基准数据集上优于其他方法.
行人的重识别、图像生成、强化学习、生成对抗网络、变分学习
31
TP391.41;TP183;TN957.52
国家自然科学基金;国家自然科学基金;江苏省自然科学基金;江苏省自然科学基金;江苏省六大人才高峰计划;江苏省六大人才高峰计划
2022-06-22(万方平台首次上网日期,不代表论文的发表时间)
共10页
192-201