Menschen beschreiben: Ein poselet-basierter Ansatz zur Attributklassifikation

Wir schlagen eine Methode zur Erkennung von Attributen vor, wie Geschlecht, Frisur und Arten von Kleidung von Personen unter großer Variation in Blickwinkel, Pose, Artikulation und Occlusion, die typisch für persönliche Fotoalben sind. Robuste Attribut-Klassifikatoren müssen unter solchen Bedingungen pose-invariant sein, jedoch ist die Ableitung der Pose selbst eine herausfordernde Aufgabe. Wir verwenden einen teilbasierten Ansatz, der auf Poselets basiert. Unsere Teile zerlegen implizit den Aspekt (die Pose und den Blickwinkel). Wir trainieren Attribut-Klassifikatoren für jeden solchen Aspekt und kombinieren sie in einem diskriminativen Modell. Wir schlagen einen neuen Datensatz von 8000 Personen mit annotierten Attributen vor. Unsere Methode erzielt auf diesem Datensatz sehr gute Ergebnisse und übertrifft signifikant eine Basislinie, die auf der Methode des räumlichen Pyramid-Match-Kernels basiert. Bei der Geschlechtererkennung übertreffen wir ein kommerzielles Gesichtserkennungssystem.