基于无监督的非对称度量学习优化行人再识别

来源：计算机技术与发展杂志2022年第09期北京时间：

作者：江雨燕;吕魏;李平;邵金

单位：1. 安徽工业大学 管理科学与工程学院,安徽 马鞍山 2430322. 南京邮电大学 计算机学院,江苏 南京 210023

摘要：行人再识别是对同一行人不同视图进行相似性匹配的技术,针对匹配过程中出现的不同相机、相机角度以及行人姿势、有无光照和障碍物等因素结合度量学习进行相似性度量。 随着外界条件的变化,由于忽略特定视图特征易导致部分信息丢失,视图有可能展现出不同的分布。 结合非对称的无监督度量学习方法 UAML( Unsupervised Asymmetric MetricLearning) 把视图分布分为共享视图和特定视图,共享视图提取共享特征,特定视图提取与视图相关联的特征投影到公共子空间中,再通过 K-means 聚类,KL( Kullback – Leibler) 散度对其进行优化,这样得到的子空间样本具有相同分布及全面的表示形式。该方法在 VIPeR 数据集、CUHK01 数据集、Market-1501 数据集上进行了实验测试,使用累计匹配曲线(Cumulative Match Characteristic CMC) 、Rank-1 精度和平均精度曲线等指标来衡量算法的性能。其中,秩-1 精度在不同数据上分别达到了 40.25% 、56. 6% / 58. 09% 、61.67% 。 该方法主要通过无监督非对称度量学习方法结合 KL 散度来进一步对行人再识别方法进行优化,通过实验进行比较来验证该方法的有效性,结果表明在行人再识别应用中具有更优的识别精度。

关键词：无监督学习;非对称;度量学习;KL 散度;行人再识别