基于自适应度量学习的行人再识别.docVIP

基于自适应度量学习的行人再识别 该文提出了基于自适应度量学习（AML） 的行人再识别方法。与正常处理所有负样本的常规度 量学习方法不同的是，AML将负样本自适应地分为三 组，并对它们给予不同的关注。通过加强负样本的影 响，AML可以更好地挖掘正样本和负样本之间的辨别 信息，从而生成更有效的度量。此外，我们还提出了 探针特定重新排名（PSR）算法来改进由度量学习得到 的初始排名列表。对于每个探针，PSR构建相应的超 图以捕获探针和其排名前100的图库图像之间的邻域 关系。然后基于它们在超图中的邻域亲和力来重新排 列这些图像。其中对公共数据集VIPER数据集的实验 证明了 AML和PSR的良好的鲁棒性和优越性。 关键词：行人再识别；自适应度量学习；负样本； 探针特定重新排名 TP391 A 1009-3044 （2017） 10-0159-03 1 ?概述 行人再识别指的是从给定由一个相机捕获的行人 探测图像或从其他相机获取的一组图库图像中识别目 标人的任务。由于其在多相机监视中的重要性，近年 来该问题已经获得越来越多的关注。然而，同一个人 在不同相机下往往具有不同的外观变化和不同行人的 视觉模糊性使得行人重识别是一项具有挑战性的任务。 关于行人再识别的现有工作大致可以分为两组。 第一组的方法是设计针对交叉相机变化鲁棒的特征表 示。其中代表特征的描述符包括SDALF，saliency， SCNCD, MLF和LO-MO。然而，在面对诸如照明，视 角，姿势和遮挡等问题时交叉相机变化是不变的，而 且对于视觉模糊性而言足够区别的特征描述符是极其 困难的。为此，引入旨在寻找任何给定特征的最佳距 离度量的第二组方法，以进一步改善其算法性能，提 高算法的鲁棒性。 在过去几年中，已经提出并实现了许多基于度量 学习的行人重识别方法，例如PRDC，KISSME, LADF, XQDA和MLAPG。一般来说，这些方法试图学习距离 度量，其给出正的（匹配的）图像对的小距离值和大 的距离值到负的（不匹配的）。通过在训练集中采用标 记的成对信息，度量学习方法可以隐式地对相机视图 之间的过渡进行建模。 虽然度量学习算法对于行人再识别是有效的，但 是现有的度量学习方法仍然具有若干缺点。首先，现 有方法常常忽略数据不平衡的问题。由于正样本的数 量通常在行人再识别中非常有限，所以大量负样本可 能在训练期间削弱正样本的效果，因此使得所学习的 度量不具有区别性。其次，不同类型的负样本可以为 度量学习提供不同量的辨别信息。然而，大多数现有 方法同等对待所有阴性样本，而不考虑它们的多样性。 第三，基于度量学习的方法倾向于在高维特征空间中 过拟合。在测试阶段盲目相信学习的度量可能会产生 不理想的结果。 为了处理前两个缺点，我们提出了一种称为自适 应度量学习（AML）的新度量学习方法。与现有的度 量学习方法不同的是，AML基于它们与探针的距离将 负样品自适应地分类为三种类型。良好可分离的负样 本容易被丢弃以减轻数据不平衡并加速学习过程，而 接近探测器的较难负样本在度量学习期间被分配以大 的权重。通过不同地处理负样品，AML可以更好地利 用负样品提供的鉴别信息。此外，由于第三个缺点， 我们提出了一个探针特定重新排名（PSR）框架，以细 化由学习的度量测量的初始结果。与直接计算成对距 离不同，PSR考虑在排名前100的图库图像中的邻域 信息以做出鲁棒决定。对于每个探针，重新排名被公 式化为具有闭式解的变换超图学习问题。实验结果表 明，AML优于先前的方法，PSR可以进一步提高整体 性能。 探针特异性重排序 3.1超图像架构 由于样本之间的建模群体关系的有效性，超图像 己经广泛用于图像检索，并最近被引入行人重识别。 与以前的研究不同，本方法侧重于改进度量学习的测 试阶段。因此，一些调整已使得构造的超图更适合我 们的任务。 其中向量f包含要学习的重新排名分数，向量s 是初始标签向量，U是权衡参数L是可以基于H计算 的超图拉普拉斯算子，其推导可以参考。方程的第一 项（7）是超图上的损失项，保证两个顶点共享的超边 越多，它们的分数在f中越相似，而第二项是强迫学 习分数逼近s中的标记的正则化项。为了传播标签信 息，s中的第一元素被设置为1，其对应于探针，并且 所有其他元素被设置为0。其中图1为超图像重排序 框架，该框架的PSR仅关注初始列表中的前100个图 像，以减少不相关样本的噪声。 实验结果及分析 为了评估AML和PSR的有效性，我们在VIPeR数 据集上进行实验。最近提出的LOMO特征被用作输入 特征，其中将LOMO特征的维数减少到每个数据集上 的训练图像的数量。这加快了学习过程，同时保持输 入特征的所有能量。在所有实验中，权重Wh和权衡 参数u被设置为0.3和10-2，其