Co-Metric学习人再次鉴定

文摘

人鉴定,旨在识别相同的行人图像在不相交的相机视图,是智能视频监控的关键技术。尽管现有的方法开发了理论和实验结果,最有效的的属于完全监督培训风格,遭受小样本大小(SSS)问题很多,尤其是在label-insufficient实际应用。桥梁瑞士问题和学习模式与小标签,小说semisupervised co-metric学习框架提出了学习歧视Mahalanobis-like距离矩阵label-insufficient人再次鉴定。不同于典型co-training任务包含多视图数据最初,单一视图人图像首先分解为伪两个视图,然后度量学习模型基于pseudo-labels和生产,共同更新迭代的引用。实验三人代表鉴定数据表明,该方法执行比艺术和具有灵敏度低的标签。

1。介绍

人鉴定(re-id),即寻求出现查询的人(探针)候选人(画廊),智能视频监控是一个热点和挑战的话题(1,2),也支撑着许多至关重要的多媒体应用,如人检索(3,4),长期的行人跟踪(5,6[],cross-view行动分析7]。re-id可以得出结论的主要挑战内心的视觉跨多个摄像机视图比人际关系更大的变化,由于观点的显著变化,灯饰,身体姿势,和背景杂波(见图1)。此外,传统的生物识别技术,如步态和脸,不可靠是利用尤其是在不受控制的实际环境;因此研究人员总是开展鉴定任务基于人体外观特征。目前的人鉴定方法主要介绍了两个方面:功能建设和学习,或子空间/度量学习。由于越来越多的注意力从计算机视觉和机器学习领域,近年来,研究人员带来巨大改进两人再次鉴定研究的理论和实验结果。(我)功能建设和学习针对设计或研究有识别力的外观描述(8- - - - - -20.)强劲的区分不同行人任意相机。然而,手工由于杂项功能建设极具挑战性和复杂的变化。因此,基于显著特征学习模型,深层神经网络等等成为受欢迎的实践更好的特征表示方法。(2)子空间和度量学习旨在寻求一个合适的子空间或距离测量Mahalanobis-like度量学习(21- - - - - -30.]。给定一组人图像对,基于度量学习方法是学习的最佳半正定矩阵的有效性度量的概率最大化这样一对匹配有较小的距离比错误的匹配对。

功能是否学习或度量学习方法,先进的通常利用标记的训练数据的特征尽可能通常属于完全监督方法。然而标签总是在实际应用不足,导致标记训练样本的数量比这更小的特征维度,即小样本大小(SSS)问题(31日)这是一个学习基础的人再次鉴定的核心挑战。解决瑞士问题,有许多嘈杂的学习风格设计的培训和监督不足32],co-training始终是最重要的一个范例,仍充满活力的多视图学习(33]。因此,出于semisupervised co-training [34),我们提出一种新颖的co-metric学习人鉴定框架桥不足标记数据和度量学习模型。

在一个典型的co-training工作,训练数据采用单独研究分类模型在两个视图,而模型的更新受益于彼此的观点。然而,不同的应用程序,从多通道来源收集数据,人地展示数据集通常表现为单一视图行人图像。在这种情况下,应用co-training范式的核心困难亲自鉴定社区是以学习和更新模型的单一视图。正如我们所知,在更高维度的特性的更有用的信息,但更大的噪声,这样降维特征提取一直是必要的。如果我们将高维特征分解成两个视图在降维之前,可能产生不同的但有效的描述在伪两种观点对我们co-metric学习框架。因此,我们首先提出一个二进制重量学习方法分割单一视图表示自动伪两种观点,然后两个度量学习模型进行了研究,分别在每个视图匹配未标记的训练样本;最后指标相互受益,同时共同更新排名的基础上未标记的样本迭代。

本文的主要贡献可以概括如下:(1)提出了一个有效的co-metric学习框架semisupervised人鉴定;它甚至可以学习一个歧视Mahalanobis-like距离矩阵,缺乏足够的标签数据。(2)伪两种观点的人数据可用于度量生成基于自适应特征分解。(3)pseudo-labels和引用未标记的数据集采用获取更新有识别力的指标。剩下的纸是组织如下。部分2介绍了简要回顾相关鉴定工作的人。部分3详细解释了我们的方法。部分4给出了实验结果与国家的艺术三个数据集。部分5本文总结道。

2。相关工作

在本节中,我们给出一个简短的回顾研究最相关的人鉴定任务。通常,当前人地研究可分为两类:基于特征表示方法和基于距离测量的方法。

特征表示方法为基础注意构建区别的视觉描述特征选择或学习。Gheissari et al。8)凸边生成基于时空分割算法,然后获得一个不变的身份签名结合归一化颜色和突出边缘直方图。王等人。9)设计了一个基于共生矩阵的外观模型来捕获的空间分布对象的外观相对于每一个部分。Farenzena et al。10从身体五]试图结合多个特性区域利用对称和不对称感性原则。Kviatkovsky et al。11]发现颜色结构描述符来自身体的不同部位在不同照明条件下是不变量。提高辨别力的视觉描述,特征选择技术是用来挑选更健壮的功能权重,或维度,或突出。灰色et al。12]人地变成一个分类问题,采用一个本地化的特性通过学习演算法。赵et al。13)应用邻接约束补丁匹配建立密集的图像对之间的通信和突出分配给每个补丁以一种无监督的方式。一些近期作品介绍深度学习框架获得强劲的本地特性表征然后编码。李等人。14)学会了一个统一的深层过滤通过引入一个补丁匹配层和一层累惨了分组人再次鉴定。艾哈迈德et al。15)提出了一个深卷积架构,捕捉当地的人基于图像中层特征之间的关系。一般来说,深度学习通常是利用学习特性表征通过使用深卷积特性(14- - - - - -17)或完全连接的特性(18- - - - - -20.)亲自鉴定工作。

基于距离测量的方法旨在找出一个统一的距离测量的子空间学习或度量学习。最成功的度量学习算法演示基于监督学习的一个明显的优势。Hizer et al。21)和Dikmen et al。22)利用古典度量学习方法称为LMNN学习人鉴定的最佳指标。郑et al。23)学到了Mahalanobis距离度量的概率相对距离比较的方法。Kostinger et al。24]介绍了一个简单的度量函数(KISSME)适合成对样本基于高斯分布的假设,和陶等。25)有更好的估计协方差矩阵的吻度量学习通过无缝整合平滑和正规化。小巧玲珑的et al。26]从稀疏成对相似性距离度量学习/不同约束在高维空间称为成对约束的成分分析。Pedagadi et al。27)进行了一次度规工作,结合无监督PCA降维及地方Fisher判别分析。李等人。28提出学习决策函数,加入了距离度量和局部自适应阈值的规则。王等人。29日)改变了深度学习作为最受欢迎的机器学习范式也采用了距离度量学习。王等人。30.)提出了一个数据驱动的距离度量方法,re-exploiting训练数据为每一对query-gallery调整指标。

3所示。方法

本节介绍了主程序的co-metric学习框架(见图2),主要包括自适应特性分解为伪两个视图度量学习,semisupervised指标更新基于pseudo-labels和引用。

3.1。问题公式化

semisupervised人地环境下,它认为一对相机和不重叠的领域的观点和培训人员 。标签培训人员设置 相关联的两个摄像头,在哪里是人的数量。人捕获的图像和被表示为和 ,分别 。两个标记训练集对应和由 , , , ,在那里 指的是同一个人 。然后让未标记的训练人员 , , , , ;然而和即使可能不是相同的人行吗 。

一个古典监督度量学习算法(21)基于列车Mahalanobis-like距离函数和 。给定的训练样本和 ,他们的距离可以被定义为 米是一种半正定矩阵度量的有效性。通过执行矩阵分解米与 ,(1)可以写成 从上面的推导很容易看出,度量的本质是寻求最优投影矩阵米(或l)在监督信息通常包含两个成对约束,即。,类似的约束条件和不同的约束。然而,对标签数据的访问通常是困难的或获得成本太高;相对未标记的数据是巨大的和容易获得的。因此基于标记和未标记的样本的学习不仅有意义的问题,还要求实用的智能视频监控。

3.2。自适应功能分解

给定一组单一视图的训练样本,它旨在产生伪两个视图表示可用于学习度量模型在每个视图。在一个典型的co-training任务,数据集两个功能视图组成和 ,满足两个条件(34):(1)两个假设 发生在低误差 , ;(2)和 需要有条件地独立。

达到上述要求,基于二进制重量向量二进制学习方法 , 提出了分解单一视图的特征吗 与维分成两个完全不同但都有效的观点 , 自动,这可能被视为伪训练样本的两个视图特征。 , 。 指示th尺寸 分别 。为了使 , 有条件地独立,简洁的方式只能使用一个的 , 。换句话说, , 能都显示0/1的重量吗 可以看到,的值 , 目前还不确定。因此, , 在标记样本集训练吗 ,确保生成的特征表示 , 都表现良好。 , ( 分别),阳性和阴性样品在 ,和可以由目标函数训练吗 所以类似于同时相异尽可能多的运用 。 表示对象的归一化距离;这里采用欧氏距离。同样的,构造的 。然后, , 训练的约束(3)共同通过最小化最大的两个

3.3。Semisupervised指标更新

收购后伪两个视图表示 , 人图像,Mahalanobis-like度量模型将学到每一个从一个视图匹配未标记的训练样本。考虑一个两两差异 , ,在那里人数据集吗如果是内心的区别吗 ,即 ,而如果是人与人之间的区别吗 ,即 。Mahalanobis-like度量可以学到通过零均值高斯结构(24的空间的差异 上述决策函数可以简化为(7测试)的对数似然比,然后之间的距离和可以写成(8): 最初的半正定矩阵米反映在Mahalanobis-like度量函数 。排名列表以来未标记的训练样本计算基于(8),核心问题是如何使用这些度量更新排名列表,和三个观察可能是有用的和重要的回答这个问题。首先,co-training风格是促进教学模型在两个视图;从而排名在一个视图模型的另一个好处。第二,前n样本排名列表中可能有更多类似的视觉外观为探针,而底部的视觉信息米样品可能是进一步不同的探测器;因此,前n和底部,米样品可以被视为积极的和消极的pseudo-labels迭代矩阵更新彼此的观点。第三,co-training的目的是增加双方自愿达成协议在两种观点之间,就像pseudo-labels从两个观点。在这种情况下,最高k邻居的两厢情愿的pseudo-labels未标记的样本集指标更新也可能有用,他们可以被视为特殊的引用。因此,我们试图了解一个通用模型更新度量学习模型,发现pseudo-labels和引用。

假设一个度量模型米₁在视图对标签的样本集和未标记的训练样本 , 在 。 , 用于定义的积极和消极的pseudo-labels吗从度量模型米₂在视图 , , 。 , ,积极的和消极的引用 ,表示为 , 。首先,把pseudo-positives定义来尽可能同时推动pseudo-negatives远离尽可能 然后,是两把pseudo-positives对referential-positives并把pseudo-negatives对referential-negatives足够近, 最后,指标更新成为一个优化问题目标函数如下: 采用梯度下降算法来优化(11),和学习过程的度量模型米₂类似的米₁。最后一个米₁,或米₂,或者组合迭代更新后可以用于测试数据集。

4所示。实验结果

在本节中,验证了该方法与先进的人再次鉴定的方法通过比较三个公开数据集:毒蛇数据集(35],PRID2011数据集[43],PRID450s数据集(44]。广泛使用VIPeR数据集包含632人形象对来自两个不同的相机。一些示例图像如图3(一个)。所有人的图像归一化到一个大小为12848像素。视图更改外观改变的最重要原因最匹配的图像对包含90度的角度变化。其他变化也认为,如照明条件和图像质量。PRID2011是个挑战数据集从两个监控摄像头;特别是有严重的相机特征变化如图3 (b)。尤其是,385人的图像从一个相机和749人的图像从其他相机,在这两种观点都有200常用图像。所有图片是128×48像素归一化。PRID450S PRID2011的延伸;它具有显著的和一致的照明变化和彩色变化,还有450单发双图像在两个空间不相交的相机视图。所有图片是168×80像素归一化。

4.1。实现细节

手工和深入学习的特性采用原来的单一视图表示。手工制作的特性采用凸颜色名称(42,深入学习功能是由一个典型的暹罗卷积神经网络(45]。所有的定量结果展示在标准累积匹配特征(CMC)曲线(9],情节的识别性能与等级评分和代表的期望找到正确的匹配匹配。按照评价方案所描述的国家的艺术23),数据集随机分为两部分,一半用于培训,另一个用于测试。然而,不同于完全监督方法,训练数据都贴上标签,只有三分之一的标签数据用于semisupervised人鉴定评价,其余未标记的训练数据,类似于(37]。所有图片来自相机视图作为探针和那些从相机视图B画廊集。对于每个探测图像,有一个人在画廊集。图像匹配两种不同的方法,我们使用相同的配置实验在每个试验获得排名列表。为了实现稳定的统计,我们重复10次的评价步骤。

4.2。实验毒蛇

基于我们比较co-metric学习(CML)人鉴定方法和十大最无人监督的出版,semisupervised,充分监督结果毒蛇数据集。无监督/ semisupervised方法包括SDALF [10],eSDC [13),TSR (36],SSCDL [37],Null-semi [38),充分监督基线包括KISSME [24],kLDFA [39],DeepNN [15],[零空间38],XQDA [40]。Semisupervised人鉴定通常假定三分之一的训练集的可用性,而整个训练集完全监督的方法是标签和采用的学习过程。更清楚地显示量化的比较结果,我们总结了性能比较(见表1)。可以看到,我们做出以下的观察:(1)我们的方法达到32.9% rank@1匹配率,使前最好的结果超过1.1%,在rank@5和匹配率,rank@10也具有最高的性能相比之下,所有的无监督/ semisupervised结果。(2)与完全监督基线相比,我们的结果也竞争,特别是在rank@1;例如,KISSME的表演和kLDFA都低于我们的CML。(3)虽然仍有很长的路与最好的全面监督结果相比,我们的方法只需要三分之一标记的训练数据,这是更适合label-insufficient实用环境。

4.3。实验PRID2011

与毒蛇数据集相比,人的数量图像PRID2011很小,在训练样本大小可能比特征尺寸小得多;即。,SSS problem can be worse. We compare the state-of-the-art semisupervised baselines kCCA [41],kLFDA [39],XQDA [40],Null-semi [38]在PRID2011访问实现代码使用相同的四个特征。可以看出(见表2)(1)在rank@10除了结果,rank@1, rank@5,匹配率与基线相比,我们的方法是最好的结果,只有0.2%的利润率低于Null-semi rank@10,最佳的性能。(2)影响小样本大小,我们的方法和基准收益率PRID2011穷得多的结果数据集与结果数据集毒蛇。

4.4。实验PRID450s

许多发表的无监督/ semisupervised SDALF [10],eSDC [13],TSR (36]和充分监督KISSME [24]和SCNCD [42]介绍了PRID450s基线。我们的方法是比所有的性能无监督/ semisupervised比较(见表3)。rank@10 rank@5达到61.8%和73.8%,使前最好的结果超过10%。此外,为验证标签我们CML方法的敏感性,我们测试SCNCD度量学习和方法1/2,1/3,1/5标记训练样本(见下表4)。和我们的结果显著超过SCNCD在每个标签培训规模和降低轻轻地随着降低训练样本;然而SCNCD急剧下降尤其是1/5训练样本。这是因为传统度量学习的课下散射矩阵奇异,当标签的数量小于特征的维数表示。相对而言,我们的方法结合了标记和未标记的数据为学习过程,这是对标签尺寸更健壮和敏感。

5。结论

提出了一种新型semisupervised co-metric label-insufficient人鉴定的学习框架。桥小样本量的问题和学习模式与小标签,出于co-training常用的不足/ imperfect-label学习,我们采用二进制重量学习单一视图人特性分解为伪两个视图,可以用来学习两个度量模型作为co-training风格,然后共同更新指标通过发现pseudo-labels和引用。在三个代表的人再次鉴定的数据集进行的实验表明该方法执行比最先进的小标签样本大小和具有灵敏度低的标签。

数据可用性

这三个公共数据集用于这项工作网上免费获得,和读者可以很容易地通过搜索找到下载链接的数据集引用(35,43,44在互联网上)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金项目(没有。61562048也没有。61562047)。

引用

1. Sunderrajan和b . s .希,“环境敏感超图建模鉴定和总结,IEEE多媒体,18卷,不。1,51 - 63,2016页。视图:出版商的网站|谷歌学术搜索
2. n a·福克斯,r·格罗斯,j·f·科恩和r·b·赖利”强大的生物人使用自动识别分类器融合的言论,嘴,脸专家,”IEEE多媒体,9卷,不。4、701 - 713年,2007页。视图:出版商的网站|谷歌学术搜索
3. l . Lo, s . Sclaroff和m . l . Cascia”路径建模和检索在分布式视频监控数据库”IEEE多媒体,14卷,不。2、346 - 360年,2012页。视图:出版商的网站|谷歌学术搜索
4. m .你们“特定的人通过不完整的文本描述检索,”学报》第五届ACM国际会议多媒体检索,第550 - 547页,2015年。视图:谷歌学术搜索
5. k Hariharakrishnan Schonfeld d,“快对象跟踪使用自适应块匹配,”IEEE多媒体,7卷,不。5,853 - 859年,2005页。视图:出版商的网站|谷歌学术搜索
6. K.-W。陈,c c。赖,P.-J。李,c。陈,Y.-P。挂,“自适应学习目标跟踪和真正的链接发现多个重叠相机,“IEEE多媒体,13卷,不。4、625 - 638年,2011页。视图:出版商的网站|谷歌学术搜索
7. c·陈,r .贾法里,n . Kehtarnavaz“改善人类行为识别使用融合的深度相机和惯性传感器,”IEEE人机系统,45卷,不。1,51 - 61,2015页。视图:出版商的网站|谷歌学术搜索
8. n . Gheissari t·b·塞巴斯蒂安·p·h·你j . Rittscher r·哈特利,“人reidentification使用时空的外观,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 06年)2006年6月,页1528 - 1535。视图:出版商的网站|谷歌学术搜索
9. x Wang g . Doretto t·塞巴斯蒂安·j . Rittscher p .涂,“和外观形状上下文建模”《IEEE 11计算机视觉国际会议(ICCV ' 07)2007年10月,页1 - 8,。视图:出版商的网站|谷歌学术搜索
10. m . Farenzena l .巴扎尼a . Perina诉Murino和m . Cristani”人鉴定由当地symmetry-driven积累特性,”《IEEE计算机视觉与模式识别会议(CVPR 10)IEEE,页2360 - 2367年,旧金山,加州,美国,2010年6月。视图:出版商的网站|谷歌学术搜索
11. Kviatkovsky, a .亚当和大肠Rivlin“reidentification颜色不变性人,”IEEE模式分析与机器智能,35卷,不。7,1622 - 1634年,2013页。视图:出版商的网站|谷歌学术搜索
12. d .灰色和h .道,”观点不变的行人识别合奏的局部特性,”欧洲计算机视觉大会程序' 08),第275 - 262页,2008年。视图:谷歌学术搜索
13. r·赵w·欧阳,x,“人鉴定,无监督学习突出”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)IEEE,页3586 - 3593年,波特兰,矿石,美国,2013年6月。视图:出版商的网站|谷歌学术搜索
14. r . w . Li赵、t·肖和x王”DeepReID:深层过滤组合神经网络人鉴定,”美国27日IEEE计算机视觉与模式识别会议(CVPR 14)2014年6月,页152 - 159。视图:出版商的网站|谷歌学术搜索
15. e·艾哈迈德·m·琼斯和t . k .标志着“一种改进的深度学习人鉴定,架构”《IEEE计算机视觉与模式识别会议(CVPR 15)2015年6月,页3908 - 3916。视图:出版商的网站|谷歌学术搜索
16. t . m .耿y . Wang,和y .田,“深转移学习人鉴定,”计算机Science-Computer视觉和模式识别,2016年。视图:谷歌学术搜索
17. w·t·肖h . Li欧阳,x,“学习深度特性交涉域引导辍学人鉴定,”《IEEE计算机视觉与模式识别会议(CVPR 16)拉斯维加斯,页1249 - 1258年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
18. l .郑z Bie, y太阳et al .,“火星:视频基准大规模人鉴定,”《IEEE计算机视觉国际会议(ICCV 16),2016年。视图:出版商的网站|谷歌学术搜索
19. d .咦,李和s . z z Lei“深度量学习实用的人鉴定,”在IEEE国际会议模式识别(ICPR 14),2014年。视图:谷歌学术搜索
20. h·史,y, x朱et al .,“人地嵌入深度指标:一项研究对大的变化,”《IEEE计算机视觉国际会议(ICCV 16),9905卷,2016年。视图:出版商的网站|谷歌学术搜索
21. m . Hirzer c . Beleznai m . Kostinger p·m·罗斯和h .女孩”密集的外观建模和高效学习的镜头转换人鉴定,”19 IEEE国际会议上图像处理程序(ICIP 12)奥兰多,页1617 - 1620,美国2012年9月。视图:出版商的网站|谷歌学术搜索
22. 黄m . Dikmen e . Akbas t . s . n . Ahuja,“行人识别学指标,”计算机视觉的亚洲会议卷,6495年,第512 - 501页,2010年。视图:出版商的网站|谷歌学术搜索
23. w·s·郑、美国锣和t,“人鉴定概率相对距离比较,”《IEEE计算机视觉与模式识别会议(CVPR 11)2011年6月,页649 - 656。视图:出版商的网站|谷歌学术搜索
24. m . Kostinger m . Hirzer p . Wohlhart p·m·罗斯和h .女孩,“大规模指标等价约束,学习”《IEEE计算机视觉与模式识别会议(CVPR 12)IEEE,页2288 - 2295年,普罗维登斯,RI,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
25. d·t·l·金,y, y元,和李x”人鉴定正规化平滑吻度量学习”,IEEE电路和系统视频技术,23卷,不。10日,1675 - 1685年,2013页。视图:出版商的网站|谷歌学术搜索
26. a .小巧玲珑的,f . Jurie PCCA:远程学习的一种新方法从稀疏的成对约束”《IEEE计算机视觉与模式识别会议(CVPR 12)2012年6月,页2666 - 2672。视图:出版商的网站|谷歌学术搜索
27. s . Pedagadi j·奥威尔,美国Velastin和b . Boghossian“本地fisher判别分析行人鉴定,”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)2013年6月,页3318 - 3325。视图:出版商的网站|谷歌学术搜索
28. z, s . Chang f .梁黄t . s . l .曹和j . r .史密斯,”人验证,学习locally-adaptive决定功能”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)2013年6月,页3610 - 3617。视图:出版商的网站|谷歌学术搜索
29. r . y . Wang,梁c, c .张问:愣了,“相机补偿使用特征投影矩阵人鉴定,“IEEE电路和系统视频技术,24卷,不。8,1350 - 1361年,2014页。视图:谷歌学术搜索
30. 梁r . z . Wang, c . et al .,“Zero-shot人通过cross-view一致性鉴定,”IEEE多媒体,18卷,不。2、260 - 272年,2016页。视图:出版商的网站|谷歌学术搜索
31. L.-F。陈,H.-Y。m·廖M.-T。Ko, J.-C。林,G.-J。Yu,”一个新的LDA-based人脸识别系统可以解决小样本大小问题,“模式识别,33卷,不。10日,1713 - 1726年,2000页。视图:出版商的网站|谷歌学术搜索
32. 汉族,i . w . Tsang l . Chen c . p . Yu和美国Fung)“进步的随机学习嘈杂的标签,”IEEE神经网络和学习系统,1-13,2018页。视图:出版商的网站|谷歌学术搜索
33. c .龚道,s·j·梅班克、w·刘,g .康和j·杨,“semi-supervised图像分类综合课程学习,”IEEE图像处理,25卷,不。7,3249 - 3260年,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
34. m·f·Balcan a .布卢姆和k·杨,“Co-training和扩张:对衔接理论和实践,“先进的神经信息处理系统,17卷,第96 - 89页,2004年。视图:谷歌学术搜索
35. d .灰色,s·布伦南,h·道,“评估外观模型识别、篇和跟踪”IEEE国际研讨会在绩效评估的程序跟踪和监视(宠物' 07),3卷,2007年。视图:谷歌学术搜索
36. z Shi, t . m .,世界卫生组织和t .香”转移人鉴定和搜索的语义表示,”《IEEE计算机视觉与模式识别会议(CVPR 15)2015年6月,页4184 - 4193。视图:出版商的网站|谷歌学术搜索
37. m x Liu歌,d .道周x c . Chen和j·布鲁里溃疡,“Semi-supervised耦合的字典学习人鉴定,”美国27日IEEE计算机视觉与模式识别会议(CVPR 14)2014年6月,页3550 - 3557。视图:出版商的网站|谷歌学术搜索
38. l .张、t .香和锣,“学习人鉴定的区别的零空间,”《IEEE计算机视觉与模式识别会议(CVPR 16)拉斯维加斯,页1239 - 1248年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
39. 熊,m .郭台铭、o .营地和m . Sznaier“人地使用基于度量学习方法,”《欧洲计算机视觉大会14)卷。8695年,硕士论文,2014页。视图:出版商的网站|谷歌学术搜索
40. 朱辽,y, x, z s . Li”人鉴定由当地最大的发生表示和度量学习”《IEEE计算机视觉与模式识别会议(CVPR 15)2015年6月,页2197 - 2206。视图:出版商的网站|谷歌学术搜索
41. g . Lisanti。马西,a . Del女人”匹配的人在相机视图使用内核典型相关分析,”学报》第八届ACM和IEEE国际会议分布式智能相机(ICDSC 14),2014年11月。视图:出版商的网站|谷歌学术搜索
42. y杨,杨j . j .燕辽,d .咦,李和s . z“人鉴定,突出颜色名称”《欧洲计算机视觉大会14),第551 - 536页,2014年。视图:出版商的网站|谷歌学术搜索
43. m . Hirzer c . Beleznai p·m·罗斯和h .女孩,“人reidentification描述性和歧视的分类,”Procedings第七斯堪的纳维亚会议的图像分析,第102 - 91页,2011年。视图:谷歌学术搜索
44. p . m .罗斯m . Hirzer m . Kostinger c . Beleznai h .女孩,“Mahalanobis远程学习的人鉴定,”先进的计算机视觉和模式识别,56个卷,第267 - 247页,2014年。视图:谷歌学术搜索
45. j·布罗姆利,j . w . Bentz l . Bottou et al .,“签名验证使用暹罗时间延迟神经网络,”模式识别与人工智能》国际期刊上,7卷,不。4、669 - 688年,1993页。视图:谷歌学术搜索

版权

版权©2018清明节愣。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。