论文部分内容阅读
行人再识别是公共安全视频数据分析中的一项重要任务,基于图像的行人再识别旨在通过不同摄像镜头所获取的行人图像对行人身份进行验证。这是近年来图像模式识别领域一个热点研究问题,具有重要的研究意义和应用潜力。基于图像的行人再识别现有方法主要考虑特征学习和度量学习,近年来有大量方法被相继提出。图像样本的分布信息对检索结果具有重要影响,通过挖掘图像样本的分布信息能够改善检索结果;因此,本文系统地研究了面向行人再识别的重排序算法。针对现有的重排序方法所存在的诸多局限性,比如超参数数目较多、算法的性能对参数比较敏感、计算效率较低等方面,本文从样本的局部密度信息的利用、额外辅助样本的利用、和联合考虑卷积特征学习这三个角度开展了下述创新性工作。1.考虑到对候选集中样本局部密度信息的有效利用,本文提出一种逆向密度自适应核重排序算法(inv-DAKR)。通过引入平滑核函数和密度自适应参数,inv-DAKR解决了逆向重排序算法中对模糊性的保留问题。在六个数据集上的实验验证了 inv-DAKR算法的有效性与计算效率。2.为了综合考虑查询样本在候选集中的局部密度信息和候选集中样本局部密度信息,本文提出一种双向密度自适应核重排序算法(bi-DAKR);由于查询样本的信息此时也被考虑了进来,双向重排序算法具有性能更加稳定的优势。在六个数据集上的实验验证了bi-DAKR算法的有效性与计算效率。3.考虑到额外样本对检索结果的鉴别作用,本文提出融合额外样本信息的高效重排序算法——inv-DAKR+和bi-DAKR+。类似地,本文还把额外样本应用于k-INN和k-RNN算法中,由此得到k-INN+和k-RNN+算法,用于和inv-DAKR+和bi-DAKR+进行对比。在六个数据集上的实验不仅验证了额外样本的作用原理,还揭示了 inv-DAKR+与bi-DAKR+算法的唯一超参数k的物理意义。4.考虑到度量学习环节对有限的监督信息的有效利用,本文提出一种端到端的基于双重随机游走和标签平滑的度量学习模型;其中,双重随机游走利用了样本之间的相似度信息,实现了重排序对深度模型中度量学习模块的监督效果增强,提升了最终重排序结果的精度。本文在三个大规模数据集上进行了充分的实验,验证了本文模型的有效性。