标签：17seqnet Faster 检测 al 2019 CNN et

摘要

人员搜索旨在共同解决人员检测和人员再识别(re-ID)问题。现有的工作已经设计了基于Faster R-CNN的端到端网络。但是，由于Faster R-CNN的并行结构，所提取的特征来自于区域提议网络产生的低质量提议，而不是检测到的高质量包围盒。人员搜索是一项细粒度的任务，这些较差的特性将显著降低重新识别的性能。为了解决这个问题，我们提出了一个序列端到端网络(SeqNet)来提取优越的特征。在SeqNet中，检测和重新标识被认为是一个渐进的过程，通过两个子网络顺序进行处理。此外，我们设计了一种鲁棒的上下文二部图匹配(CBGM)算法，以有效地利用上下文信息作为重要的补充线索进行人物匹配。在中大-中山大学和PRW这两个被广泛使用的搜索基准上进行的大量实验表明，我们的方法取得了最先进的结果。此外，我们的模型在单个GPU上的运行速度为11.5 fps，可以很容易地集成到现有的端到端框架中

介绍

行人检测(Girshick等人，2014;Girshick 2015;Ren et al. 2015)的目标是检测图像中所有人的包围盒(BBoxes)。人员再识别(re-ID) (Yang et al. 2017;Wang et al. 2019;Fu等人2019;Hao等人2019年;Zhao et al. 2020)用于将感兴趣的人与手工裁剪的人图像进行匹配。虽然这两个领域近年来得到了广泛的研究，但由于其功能有限，不能直接应用于实际应用中。为了弥补这一差距，Xu等人引入了以在场景图像中定位目标人物为目标的人搜索任务(Xu等人，2014)。Per- son搜索可以看作是行人检测和人员重新识别的结合。它在视频监控、寻找走失儿童、自助超市等方面具有广泛的应用前景。

如图1所示，现有作品将任务划分为生成图像中所有人的BBoxes和person re-ID。他们要么用两个独立的模型(两阶段方法)单独处理问题，要么用一个多任务模型(端到端方法)联合处理问题。

对于端到端方法(Xiao et al. 2017, 2019;Munjal et al. 2019)，他们设计了一个基于Faster R-CNN的多任务框架(Ren et al. 2015)。建立区域提议网络(RPN)来生成区域提议，然后将区域提议反馈给随后的并行检测和重新标识分支。然而，网络提取的这些特征来自于低质量的提议，而不是检测到准确的bbox。虽然这些较差的特性对粗粒度的分类任务影响不大，但会显著降低细粒度的重ID任务的性能。这个问题是由Faster R-CNN的并行结构引起的。由于检测和重新标识是同时进行的，所以在提取重新标识特征之前无法获得准确的bbox。对于两阶段方法，就不存在这样的问题，因为检测和重新识别是用两个独立的模型顺序处理的。然而，它们是耗时和资源消耗的

标签：17seqnet,Faster,检测,al,2019,CNN,et
来源： https://blog.csdn.net/weixin_44523062/article/details/122496707

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。