首页|基于无监督的非对称度量学习优化行人再识别

基于无监督的非对称度量学习优化行人再识别

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
行人再识别是对同一行人不同视图进行相似性匹配的技术,针对匹配过程中出现的不同相机、相机角度以及行人姿势、有无光照和障碍物等因素结合度量学习进行相似性度量.随着外界条件的变化,由于忽略特定视图特征易导致部分信息丢失,视图有可能展现出不同的分布.结合非对称的无监督度量学习方法UAML(Unsupervised Asymmetric Metric Learning)把视图分布分为共享视图和特定视图,共享视图提取共享特征,特定视图提取与视图相关联的特征投影到公共子空间中,再通过K-means聚类,KL(Kullback–Leibler)散度对其进行优化,这样得到的子空间样本具有相同分布及全面的表示形式.该方法在VIPeR数据集、CUHK01数据集、Market-1501数据集上进行了实验测试,使用累计匹配曲线(Cumulative Match Characteristic,CMC)、Rank-1精度和平均精度曲线等指标来衡量算法的性能.其中,秩-1精度在不同数据上分别达到了40.25％、56.6％/58.09％、61.67％.该方法主要通过无监督非对称度量学习方法结合KL散度来进一步对行人再识别方法进行优化,通过实验进行比较来验证该方法的有效性,结果表明在行人再识别应用中具有更优的识别精度.
Unsupervised Asymmetric Metric Learning for Person Re-identification Optimization

江雨燕、吕魏、李平、邵金

展开 >

安徽工业大学 管理科学与工程学院,安徽 马鞍山 243032

南京邮电大学 计算机学院,江苏 南京 210023

无监督学习 非对称 度量学习 KL散度 行人再识别

62006126CS2019-ZD02

2022

10.3969/j.issn.1673-629X.2022.09.020

计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
年,卷(期)：2022.32(9)
  • 2