主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
张云鹏,王洪元,张继,陈莉,吴琳钰,顾嘉晖,陈强.基于近邻中心迭代策略的单标注样本视频行人重识别.软件学报,0,(0):0
基于近邻中心迭代策略的单标注样本视频行人重识别
One-Shot Video-Based Person Re-Identification Based on Neighborhood Center Iteration Strategy
投稿时间:2020-01-15  修订日期:2020-04-19
DOI:10.13328/j.cnki.jos.006108
中文关键词:  视频行人重识别  近邻中心迭代策略  标签评估方法  单标注  损失控制策略
英文关键词:Video-based person re-identification  Neighborhood center iteration strategy  Label evaluation method  One-shot  Loss control strategy
基金项目:国家自然科学基金项目(61976028,61572085,61806026,61502058);江苏省自然科学基金项目(BK20180956);社会安全信息感知与系统工业和信息化部重点实验室(南京理工大学)创新基金(202004).
作者单位E-mail
张云鹏 常州大学 信息科学与工程学院, 江苏 常州 213000  
王洪元 常州大学 信息科学与工程学院, 江苏 常州 213000 hywang@cczu.edu.cn 
张继 常州大学 信息科学与工程学院, 江苏 常州 213000  
陈莉 常州大学 信息科学与工程学院, 江苏 常州 213000  
吴琳钰 常州大学 信息科学与工程学院, 江苏 常州 213000  
顾嘉晖 常州大学 信息科学与工程学院, 江苏 常州 213000  
陈强 社会安全信息感知与系统工业和信息化部重点实验室(南京理工大学), 江苏 南京 210094  
摘要点击次数: 46
全文下载次数: 18
中文摘要:
      为解决视频行人重识别数据集标注困难的问题,本文提出了基于单标注样本视频行人重识别的近邻中心迭代策略,该策略逐步利用伪标签视频片段迭代更新网络结构,以获得最佳的模型.针对预测无标签视频片段的伪标签准确率低的问题,提出了一个新的标签评估方法:每次训练后,将所选取的伪标签视频片段和有标签视频片段特征中每个类的中心点作为下一次训练中预测伪标签的度量中心点;同时提出了一个基于交叉熵损失和在线实例匹配损失的损失控制策略,使得训练过程更加稳定,无标签数据的伪标签预测准确率更高.在MARS,DukeMTMC-VideoReID这两个大型数据集上的实验验证了本文方法相比于最新的先进方法在性能上得到一个非常好的提升.
英文摘要:
      In order to solve the problem of labeling difficulty in video-based person re-identification dataset, a neighborhood center iteration strategy based on one-shot video-based person re-identification is proposed in this paper, which gradually optimizes the network by using pseudo-labeled tracklets to obtain the best model. Aiming at the problem that the accuracy of predicting pseudo labels of unlabeled tracklets is low, a novel label evaluation method is proposed. After each training, the center points of each class in the features of the selected pseudo-labeled tracklets and labeled tracklets are used as the measurement center points for predicting the pseudo labels in the next training. At the same time, a loss control strategy based on cross entropy loss and online instance matching loss is proposed in this paper, which makes the training process more stable and the accuracy of the pseudo labels higher. Experiments are implemented on two large datasets:MARS and DukeMTMC-VideoReID, which demonstrate that our methods outperform the state-of-the-art methods.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利