为了解决事件行人重识别领域(event-based person ReID)中事件流噪声问题和类间不平衡问题,提出了一种基于时空协同滤波的事件行人重识别方法(SCF-Net)。该方法包含时空协同滤波器和局部代理稀疏性学习模块两个部分。时空协同滤波器通...为了解决事件行人重识别领域(event-based person ReID)中事件流噪声问题和类间不平衡问题,提出了一种基于时空协同滤波的事件行人重识别方法(SCF-Net)。该方法包含时空协同滤波器和局部代理稀疏性学习模块两个部分。时空协同滤波器通过利用真实事件之间的时空协同特性来区分真实事件和噪声事件,并滤除噪声事件,以消除事件流中噪声的影响。局部代理稀疏性学习模块考虑了行人特征之间的差异性,通过将行人实例特征映射到局部代理域,并强制各代理互相远离,在特征空间中得到了清晰的类别边界。在Event-ReID数据集上的实验表明,与目前先进的事件行人重识别方法相比,SCF-Net方法取得了较大的性能提升,mAP指标提升了6.9%,Rank-1指标提升了4.4%。展开更多
文摘为了解决事件行人重识别领域(event-based person ReID)中事件流噪声问题和类间不平衡问题,提出了一种基于时空协同滤波的事件行人重识别方法(SCF-Net)。该方法包含时空协同滤波器和局部代理稀疏性学习模块两个部分。时空协同滤波器通过利用真实事件之间的时空协同特性来区分真实事件和噪声事件,并滤除噪声事件,以消除事件流中噪声的影响。局部代理稀疏性学习模块考虑了行人特征之间的差异性,通过将行人实例特征映射到局部代理域,并强制各代理互相远离,在特征空间中得到了清晰的类别边界。在Event-ReID数据集上的实验表明,与目前先进的事件行人重识别方法相比,SCF-Net方法取得了较大的性能提升,mAP指标提升了6.9%,Rank-1指标提升了4.4%。
