Tiefe Gruppenmischung-Random Walk zur Personen-Reidentifikation

Die Personen-Reidentifikation zielt darauf ab, eine interessierte Person in einer Bildgalerie zu finden, indem das Probe-Bild dieser Person mit allen Galerie-Bildern verglichen wird. Es wird allgemein als Retrieval-Problem behandelt, bei dem die Affinitäten zwischen dem Probe-Bild und den Galerie-Bildern (P2G-Affinitäten) verwendet werden, um die abgerufenen Galerie-Bilder zu bewerten. Die meisten vorhandenen Methoden berücksichtigen jedoch nur P2G-Affinitäten und ignorieren die Affinitäten zwischen allen Galerie-Bildern (G2G-Affinität). Einige Rahmenbedingungen haben G2G-Affinitäten in den Testprozess integriert, die nicht end-to-end trainierbar für tiefe neuronale Netzwerke sind. In diesem Papier schlagen wir ein neuartiges Gruppen-Mischungs-Random-Walk-Netzwerk vor, um die Affinitätsinformationen zwischen den Galerie-Bildern sowohl im Trainings- als auch im Testprozess vollständig zu nutzen. Der vorgeschlagene Ansatz zielt darauf ab, die P2G-Affinitäten basierend auf den G2G-Affinitätsinformationen mit einer einfachen, aber effektiven Matrixoperation end-to-end zu verfeinern, die in tiefe neuronale Netzwerke integriert werden kann. Auch die Merkmalsgruppenbildung und das Gruppenshuffling werden vorgeschlagen, um reichhaltige Überwachungen für das Lernen besserer Personenmerkmale anzuwenden. Der vorgeschlagene Ansatz übertrifft die aktuellen Methoden in den Datensätzen Market-1501, CUHK03 und DukeMTMC deutlich, was die Effektivität unseres Ansatzes demonstriert.