《Unsupervised Salience Learning for Person Re-identification》论文分析
《Unsupervised Salience Learning for Person Re-identification》论文分析
1.基础知识
- 颜色直方图(用于颜色特征的提取):它描述的是不同色彩在整幅图像中所占的比例,而不关心每种色彩所处的空间位置,即无法描述图像中的对象和物体。LAB颜色空间:可以表示自然界中任何一点的颜色。
- .SIFI算法:能够适应旋转、尺度缩放、亮度变化,可在图像中检测到关键点,是一种局部特征描述子
- CMC曲线(累积匹配特性曲线):是一个检测识别系统性能的参数,综合反映了分类器的性能。其中Rank-1识别率就是表示按照某种相似度匹配规则匹配后,第一次就能正确判断出正确标签的数目与总的测试数目之比,而Rank-1,Rank-2…组成的曲线就是CMC曲线。
2.论文分析
从论文实现的方面来看,主要分为以下几个步骤
1.将图片分为局部的网格(以下的操作都是对网格进行处理)
2.提取特征向量:(1)提取LAB颜色直方图(32bins),对L、a、b三个通道进行三个不同级别的下采样,得到3233维的颜色特征向量(2)提取SIFT:对L、a、b三个通道进行提取,将网格再次划分为44的单元,每个单元局部梯度方向量化为8个区间,获得4483维的特征向量。
最后将颜色特征向量与SIFI特征向量进行组合得到最终的组合特征向量。3.带有约束的邻接搜索:对第m行n列为中心的网格块,在数据集中的(m-l,m+l)行内进行搜索,文中l设置为2。然后定义了一个相似度得分的函数:
4.利用无监督学习的方法学习显著性:(1)k-最近邻的方法:假设数据集中有N张图片,则对于一个网格块来说,利用第3步中的邻接搜索返回N个最相似的网格块,组成一个新的数据集并按照相似度进行了排序。定义一个显著性的得分函数:
文中k取N/2,是因为论文中假设,如果一个人有这样独特的外表,那么在参考集中超过一半的人与他/她是不同的。这个得分函数计算的是第k个相似的网格与原网格的距离。(这个地方要好好理解,因为如果一个特征是显著的,那么第k个相似的一定与原网格的距离很远,因此显著性得分很高)
(2)基于某一类SVM的方法来计算显著性,这里不再赘述,也是与k-最近邻类似,不过没有了人为定义的k=N/2这个数。因此更客观一点5.双向加权匹配机制:将显著性结合到密集对应中,简而言之,就是利用显著性来指导密集对应。给出了最终的一整张图片的相似度得分函数,这个函数与相似度得分和显著性得分都有一定的关系。
6.排序:采用CMC曲线来对最终的结果进行评估,可以看出优于之前的方法
其中较为关键的步骤为利用显著性来指导密集对应,由于带有邻接约束的搜索可以容忍较大程度的姿态以及外观的变化,因此在大视角变化下仍然有很强的灵活性。
3.结论
在这项工作中,我们提出了一个无监督的框架与显著性检测的人重新识别。在邻接约束条件下,利用块匹配来处理视点和姿态的变化。它在大视角变化的匹配中表现出极大的灵活性。人类的显著性是在无监督的情况下学习来寻找有区别的和可靠的补丁匹配。实验表明,我们的无监督显著性学习方法大大提高了人的再识别性能。
4.局限性以及改进
局限:两个人穿相似的衣服就很容易产生误判
改进:可以加入时空信息,使其与显著性一块指导密集对应。
《Unsupervised Salience Learning for Person Re-identification》论文分析相关推荐
- 《Heterogeneous Information Network Embedding for Recommendation》 论文分析
<Heterogeneous Information Network Embedding for Recommendation>论文解读 1.论文思路 为了嵌入HINs,设计了一种基于元路 ...
- [TKDE 2020]Dynamic Heterogeneous Information Network Embedding with Meta-path based Proximity
[TKDE 2020]Dynamic Heterogeneous Information Network Embedding with Meta-path based Proximity 介绍 对于时 ...
- 【论文翻译 | AAAI19】HHNE - Hyperbolic Heterogeneous Information Network Embedding 双曲异构信息网络嵌入
文章目录 摘要 1 引言 2 相关工作 3 相关知识 3.1 HIN相关定义 3.2 HIN中的关系分布 4 双曲空间中的HIN嵌入 4.1 双曲几何 6 结论 双曲空间 异构网络嵌入 参考阅读: H ...
- 【论文解读|2019】HAHE - Hierarchical Atentive Heterogeneous Information Network Embedding
文章目录 摘要 1引言 4 模型 4.1 路径实例注意力层 4.2 元路径注意力层 论文作者:来自浙江大学的同学 论文链接: 来源:arxiv2019 摘要 异构信息网络(HIN)嵌入由于能够有效地处 ...
- 员外带你读论文:LINE: Large-scale Information Network Embedding
本次要总结和分享的论文是 LINE: Large-scale Information Network Embedding,其链接 论文[1],所参考的实现代码 code[2],这篇论文某些细节读起来有 ...
- 【读论文】唐建LINE那篇论文:LINE: Large-scale Information Network Embedding
最近的研究需要用到涉及到Network Embedding方面,而唐建15年的这篇论文还是非常的出名的,所以写一下.而且本文的二作三作都是我同学,大家都是大神啊. LINE: Large-scale ...
- 【论文阅读|深读】LINE: Large-scale Information Network Embedding
目录 前言 ABSTRACT 1. INTRODUCTION 2. RELATED WORK 3. PROBLEM DEFINITION 4. LINE: LARGE-SCALE INFORMATIO ...
- 异构信息网络 Heterogeneous information network (HIN)
异构信息网络包含多类节点和多类连接关系,由于此类网络能够灵活的对异构数据及逆行建模,越来越多的被应用于推荐系统,处理复杂的多元异构的数据. 这里给出异构信息网络 Heterogeneous infor ...
- HIN 异构信息网络(Heterogeneous Information Network)
信息网络(Information Network) 信息网络可以用一个有向图G = (V, E) 来表示,其中V代表 Object,E代表 Edge.并且用映射函数 ϕ : V → A 来表示每一个o ...
- LINE: Large-scale Information Network Embedding
LINE算法意义: 1.适用于任意类型的网络,有向无向有权无权 2.清晰优化目标函数.维护一阶和二阶相似度 3.百万级和十亿级条边几个小时训练完 4.LINE是WWW2015引用量最高的文章 5.与D ...
最新文章
- Shell字符串截取——获取oracle group名字
- 现实工程中常用到的C语言函数总结(不断更新)
- asp.net中的记忆盲区
- 讲讲排序(C++描述 )
- 天津天河计算机技术有限公司,“天河一号”超级计算机落户天津,命名为“天河”,取天津与“银河团队...
- Memcache持久性分布式数据MemcacheDB
- java chatat delete,StringBuffer deleteCharAt(int index)
- C#高级编程9 第19章 程序集
- 《普林斯顿微积分读本》笔记-第2章三角学回顾
- docker安装mangoDB
- 新宝资讯上证涨跌比:1131:649
- [硬件选型] 工业相机之参数和选型
- jQuery插件实现瀑布流
- 永远不要使用 Boolean 对象
- 微信从原版到现在所有界面图片_微信6年来首次更换启动界面地球图片:来感受一下...
- 什么是响应式网页设计?
- Android 安装的app
- Linux 安装node.js 16
- 腾讯在乳腺癌影像AI诊断方向的探索
- 常用日期时间处理类封装DateTime(基于Carbon)
热门文章
- 怎么验证Win7旗舰版是否为正版?正版win7系统验证技巧
- tkinter: 滚动frame (通过canvas+scrollbar)
- 用于著作权申报的代码导出功能
- geotools 计算两个经纬度点之间的距离
- 给你的笔记本电脑装上高性能独立显卡:外接显卡盒子选购指南
- LaTeX 数学公式大全!
- oracle查回收站大小,ORACLE 回收站当前状态查询整理
- 华为鸿蒙系统终将到来,武汉聚狮在线快讯:​华为鸿蒙操作系统即将到来,旗舰智能手表也将发布...
- Android 版本更新安装apk
- 【区块链专题】基本概念