通过实体学习提高人重新识别性能

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 传统的自我监督学习用于人重新识别 (re-ID) 通常需要外部数据集.
• 视觉表示学习对于准确的基于图像的人重新识别至关重要.

研究的目的:

• 调查体内学习的有效性,以提高视觉表现的学习在人 re-ID.
• 开发一种新的方法,可以提高重新识别的准确性,而无需外部数据依赖.

主要方法:

• 引入了使用来自行人图像的监督标签的体内学习.
• 提出了三项活体学习任务,利用图像中的统计规律.
• 共同建模人类生物结构信息,用于特征学习.

主要成果:

• 在多个不同的数据集 (Market1501,CUHK03-NP,Celeb-reID等) 中,在排名-1精度方面取得了实质性的改进. ) 的情况.
• 与最先进的个人重新识别方法相比,其表现优越.
• 展示了与现有重新识别框架的无集成,并进行了最小的修改.

结论:

• 在体内学习提供了一个强大的替代传统方法的视觉表现学习在人 re-ID.
• 拟议的方法有效地学习使用内在图像属性的歧视性人体表示.
• 这种方法显著提升了先进的人身再识别技术,而不需要额外的数据.