Despite the remarkable recent progress, person Re-identification (Re-ID) approaches are still suffering from the failure cases where the discriminative body parts are missing. To mitigate such cases, we propose a simple yet effective Horizontal Pyramid Matching (HPM) approach to fully exploit various partial information of a given person, so that correct person candidates can be still identified even if some key parts are missing. Within the HPM, we make the following contributions to produce a more robust feature representation for the Re-ID task: 1) we learn to classify using partial feature representations at different horizontal pyramid scales, which successfully enhance the discriminative capabilities of various person parts; 2) we exploit average and max pooling strategies to account for person-specific discriminative information in a global-local manner; 3) we introduce a novel horizontal erasing operation during training to further resist the problem of missing parts and boost the robustness of feature representations. Extensive experiments are conducted on three popular benchmarks including Market-1501, DukeMTMC-reID and CUHK03. We achieve mAP scores of 83.1%, 74.5% and 59.7% on these benchmarks, which are the new state-of-the-arts.


翻译:尽管最近取得了显著进展,但人重新身份鉴定(Re-ID)方法仍然因歧视身体部分缺失的失败案例而受到影响。为了减少此类案例,我们建议采用简单而有效的横向金字塔匹配(HPM)方法,充分利用特定个人的各种部分信息,这样,即使缺少某些关键部分,也能够找到正确的人选。在人重新身份鉴定(HPM)中,我们做出了以下贡献,为重新身份鉴定任务提供更强有力的特征代表:1)我们学会在不同横向金字塔尺度上使用部分特征表示法进行分类,这成功地提高了不同个人部分的歧视性能力;2)我们利用平均和最大集中战略,以全球-地方方式核算针对特定个人的歧视性信息;3)我们在培训期间采用了新的横向淘汰行动,以进一步抵制缺失部分的问题,提高特征陈述的稳健性。我们在市场1501号、DukyMTMC-reID号和CUHK03号等三个流行基准上进行了广泛的实验。我们取得了83.1%、74.5%和59.7%的移动基准分数,这些是新的状态。

3
下载
关闭预览

相关内容

Pyramid is a small, fast, down-to-earth Python web application development framework.
必读的7篇IJCAI 2019【图神经网络(GNN)】相关论文-Part2
专知会员服务
54+阅读 · 2020年1月10日
开源书:PyTorch深度学习起步
专知会员服务
41+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
58+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
72+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
14+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
9+阅读 · 2019年1月2日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
12+阅读 · 2018年11月29日
PTGAN for Person Re-Identification
统计学习与视觉计算组
4+阅读 · 2018年9月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
16+阅读 · 2018年5月25日
VIP会员
Top
微信扫码咨询专知VIP会员