通过双重正规的KISS度量学习对人员进行重新识别

时间:2024-04-23 09:26:21
【文件属性】:

文件名称:通过双重正规的KISS度量学习对人员进行重新识别

文件大小:2.75MB

文件格式:PDF

更新时间:2024-04-23 09:26:21

person re-identification, metric learning, regularization

人员重新识别旨在匹配来自不同位置的不同摄像机视图中的行人图像。 这是一个具有挑战性的智能视频监控问题,由于需要改进性能,因此仍然是研究的一个活跃领域。 人员重新识别涉及两个主要步骤:特征表示和度量学习。 尽管已证明用于区分距离度量学习的保持简单直接(KISS)度量学习方法对于人的重新识别是有效的,但协方差矩阵的逆估计是不稳定的,并且在训练时实际上可能不存在设置太小,导致性能不佳。 在这里,我们介绍双正则化KISS(DR-KISS)度量学习。 通过对两个协方差矩阵进行正则化,DR-KISS通过减少对两个估计的协方差矩阵的大特征值的过高估计来改善KISS,从而确保协方差矩阵不可逆。 此外,我们提供了支持动机的理论分析。 具体来说,我们首先证明为什么要进行正则化。 然后,我们证明了所提出的方法对于泛化是鲁棒的。 我们对三个具有挑战性的人员重新识别数据集VIPeR,GRID和CUHK 01进行了广泛的实验,结果表明DR-KISS实现了最新的性能。


网友评论