Color Space Learning for Cross-Color Person Re-Identification

要約

同じアイデンティティの原色プロファイルは、一般的な個人再識別 (個人 ReID) タスクでは一貫性が保たれていると想定されます。
ただし、この仮定は現実の状況では無効である可能性があり、クロスモダリティカメラや異なる衣服との同一性により、画像にはさまざまなカラープロファイルが保持されます。
この問題に対処するために、クロスカラー パーソン ReID 問題に対する色空間学習 (CSL) を提案します。
具体的には、CSL は、画像レベルの色拡張とピクセルレベルの色変換という 2 つのモジュールを使用して、モデルの色感度が低くなるようにガイドします。
最初のモジュールは、入力の色の多様性を高め、モデルが非色情報にさらに重点を置くように導きます。
2 番目のモジュールは、入力画像のすべてのピクセルを新しい色空間に投影します。
さらに、RGB および赤外線モダリティにわたる新しい Person ReID ベンチマークである NTU-Corridor を導入します。これは、すべての参加者からプライバシーに関する同意を得た初めてのベンチマークです。
私たちが提案する CSL の有効性と堅牢性を評価するために、いくつかの Cross-Color Person ReID ベンチマークで評価します。
私たちの方法は常に最先端の方法を上回っています。
コードとベンチマークは、https://github.com/niejiahao1998/CSL から入手できます。

要約(オリジナル)

The primary color profile of the same identity is assumed to remain consistent in typical Person Re-identification (Person ReID) tasks. However, this assumption may be invalid in real-world situations and images hold variant color profiles, because of cross-modality cameras or identity with different clothing. To address this issue, we propose Color Space Learning (CSL) for those Cross-Color Person ReID problems. Specifically, CSL guides the model to be less color-sensitive with two modules: Image-level Color-Augmentation and Pixel-level Color-Transformation. The first module increases the color diversity of the inputs and guides the model to focus more on the non-color information. The second module projects every pixel of input images onto a new color space. In addition, we introduce a new Person ReID benchmark across RGB and Infrared modalities, NTU-Corridor, which is the first with privacy agreements from all participants. To evaluate the effectiveness and robustness of our proposed CSL, we evaluate it on several Cross-Color Person ReID benchmarks. Our method surpasses the state-of-the-art methods consistently. The code and benchmark are available at: https://github.com/niejiahao1998/CSL

arxiv情報

提供元, 利用サービス

arxiv.jp, Google