今日頭條
官方微信
官方抖音
資訊頻道信息來源：中國科學院自動化研究所
行人再識別問題是一個重要且具有挑戰(zhàn)性的經(jīng)典計算機視覺任務。由于存在光照變化、視角變化、遮擋、背景雜亂、行人姿態(tài)多樣等復雜因素，目前的研究的測試性能往往不能盡如人意。
為了解決上述問題，自動化所智能感知與計算研究中心引入了以下方法來達到去除背景、提高模型泛化性能、提高圖像利用率的目的。
首先，引進了二值化的行人分割輪廓圖作為額外輸入，并與彩色圖像合成為四通道的新輸入，然后設計了一種基于分割輪廓圖的對比注意模型來學習背景無關(guān)的行人特征。在此基礎上，提出一種區(qū)域級別的三元組損失函數(shù)，分別來約束來自全圖區(qū)域、行人身體區(qū)域、背景區(qū)域的特征，提出的損失函數(shù)可以讓來自全圖區(qū)域和行人身體區(qū)域的特征在特征空間靠近，并遠離背景區(qū)域，最終達到去除背景的作用。所提出的方法在三個行人再識別數(shù)據(jù)集上驗證了有效性，取得了當前最好的性能。
其次，提出了一種特殊的樣本來擴充數(shù)據(jù)集：對抗式遮擋樣本。整個方法流程如下：（1）按照常用的方法訓練一個ReID模型；（2）通過網(wǎng)絡可視化的方法找出模型在識別訓練樣本時所關(guān)注的區(qū)域，對這些區(qū)域進行（部分）遮擋就可以產(chǎn)生新的樣本，同時保持這些樣本原有的類別標簽；（3）把新的樣本加入到原始數(shù)據(jù)集中，按照之前的方法訓練一個新的模型。這種樣本不僅模擬了現(xiàn)實中的遮擋情況，而且對于模型來說是困難樣本，可以給模型的訓練提供動量，從而跳出局部極小點，減少模型的過擬合。實驗發(fā)現(xiàn)原始的ReID模型識別訓練樣本時只關(guān)注一些局部的身體區(qū)域，加入新樣本訓練后的模型則可以同時關(guān)注到一些之前沒關(guān)注的身體區(qū)域，從而提高了模型在測試階段的魯棒性。
最后，為了解決只有部分行人圖像可供識別的問題，提出利用全卷積網(wǎng)絡抽取與輸入圖像尺寸相對應的空域特征圖，并提出一種不需要行人對齊的方法（深度空域特征重建）來匹配不同尺寸大小的行人圖像。特別地，借鑒字典學習中重建誤差來計算不同的空域特征圖的相似度。按照這種匹配方式，利用端到端學習方法增大來自于同一個人的圖像對的相似度，反之亦然。 該方法不需要對齊，對輸入圖像尺寸沒有限制，在Partial REID，Partial iLIDS和Market1501上取得較好效果。
上述研究將發(fā)表在國際計算機視覺與模式識別大會CVPR2018上。
北京市公安局海淀分局備案號：11010802023656號