目前行人重识别算法面临的主要问题包括背景过多、行人区域缺失及图片视角差异等。基于行人区域中显著性特征之间存在着强相关性及行人区域与背景区域特征之间存在着弱相关性两方面的观察,该研究提出一种基于特征点相关性的行人重识别...目前行人重识别算法面临的主要问题包括背景过多、行人区域缺失及图片视角差异等。基于行人区域中显著性特征之间存在着强相关性及行人区域与背景区域特征之间存在着弱相关性两方面的观察,该研究提出一种基于特征点相关性的行人重识别方法。其中,通过采用一种基于视觉不变性与弱检测的上下文信息处理模块,即CIP(Contextual Information Processing)模块实现该方法。由于具有强相关性的特征可能分布在不同的粒度之间,所以嵌入CIP模块的多粒度行人重识别方法可以融合粒度之间的相关性信息。实验中,通过以第一配准率(Rank-1)和平均准确率为评价指标,使用单数据集测试、跨数据集测试两种方法,在4个大型的行人重识别数据集上进行了充分的测试实验,并利用两个可视化的方法——弱检测效果与行人区域中显著特征点的相关性效果,对CIP模块的有效性进行验证。实验结果显示,目前主流的多粒度网络通过嵌入CIP模块,性能均有明显的提升。展开更多
文摘目前行人重识别算法面临的主要问题包括背景过多、行人区域缺失及图片视角差异等。基于行人区域中显著性特征之间存在着强相关性及行人区域与背景区域特征之间存在着弱相关性两方面的观察,该研究提出一种基于特征点相关性的行人重识别方法。其中,通过采用一种基于视觉不变性与弱检测的上下文信息处理模块,即CIP(Contextual Information Processing)模块实现该方法。由于具有强相关性的特征可能分布在不同的粒度之间,所以嵌入CIP模块的多粒度行人重识别方法可以融合粒度之间的相关性信息。实验中,通过以第一配准率(Rank-1)和平均准确率为评价指标,使用单数据集测试、跨数据集测试两种方法,在4个大型的行人重识别数据集上进行了充分的测试实验,并利用两个可视化的方法——弱检测效果与行人区域中显著特征点的相关性效果,对CIP模块的有效性进行验证。实验结果显示,目前主流的多粒度网络通过嵌入CIP模块,性能均有明显的提升。