基于样本正态性重采样的改进KISSME行人再识别算法

【文件属性】：
文件名称：基于样本正态性重采样的改进KISSME行人再识别算法
文件大小：1.39MB
文件格式：PDF
更新时间：2021-04-30 14:29:12
行人再识别 度量学习算法 半监督学习 跨场景行人再识别方法的关键在于特征识别和度量模型的建立，而这两方面的问题都受到图像样本分布的局限，进而使得模型参数的估计出现过拟合现象。针对以上跨场景的行人再识别问题，提出了一种基于半监督的改进KISSME算法。该算法在KISSME学习算法的基础上，根据样本数据的正态分布特性进行重采样，并通过构建循环优化的学习方式弱化模型的拟合强度，增强度量模型的泛化能力，以此建立泛化后的度量模型。再通过联合KISSME度量，构建改进的半监督度量模型。最后，利用行人再识别通用公开数据集VIPeR对改进算法的有效性进行验证，并与SLDDL、RDC、ITML、PCCA、QARR-RSVM和KISSME等算法精度相比较，实验结果表明基于半监督的改进KISSME算法在不同排名下都有明显的优势，尤其在rank-1识别精度上，相较于现有的KISSME算法提升了3.14%，充分验证了该算法的有效性。