典型文献
基于无监督的非对称度量学习优化行人再识别
文献摘要：
行人再识别是对同一行人不同视图进行相似性匹配的技术,针对匹配过程中出现的不同相机、相机角度以及行人姿势、有无光照和障碍物等因素结合度量学习进行相似性度量.随着外界条件的变化,由于忽略特定视图特征易导致部分信息丢失,视图有可能展现出不同的分布.结合非对称的无监督度量学习方法UAML(Unsupervised Asymmetric Metric Learning)把视图分布分为共享视图和特定视图,共享视图提取共享特征,特定视图提取与视图相关联的特征投影到公共子空间中,再通过K-means聚类,KL(Kullback–Leibler)散度对其进行优化,这样得到的子空间样本具有相同分布及全面的表示形式.该方法在VIPeR数据集、CUHK01数据集、Market-1501数据集上进行了实验测试,使用累计匹配曲线(Cumulative Match Characteristic,CMC)、Rank-1精度和平均精度曲线等指标来衡量算法的性能.其中,秩-1精度在不同数据上分别达到了40.25％、56.6％/58.09％、61.67％.该方法主要通过无监督非对称度量学习方法结合KL散度来进一步对行人再识别方法进行优化,通过实验进行比较来验证该方法的有效性,结果表明在行人再识别应用中具有更优的识别精度.
文献关键词：
无监督学习;非对称;度量学习;KL散度;行人再识别
中图分类号：
作者姓名：
江雨燕;吕魏;李平;邵金
作者机构：
安徽工业大学 管理科学与工程学院,安徽 马鞍山 243032;南京邮电大学 计算机学院,江苏 南京 210023
文献出处：
引用格式：
[1]江雨燕;吕魏;李平;邵金-.基于无监督的非对称度量学习优化行人再识别)[J].计算机技术与发展,2022(09):126-133
A类：
UAML,VIPeR,CUHK01
B类：
对称度,度量学习,学习优化,行人再识别,一行,视图,相似性匹配,同相,姿势,无光,障碍物,结合度,相似性度量,外界条件,部分信息,信息丢失,Unsupervised,Asymmetric,Metric,Learning,共享特征,相关联,特征投影,公共子空间,means,KL,Kullback,Leibler,散度,同分布,表示形式,Market,实验测试,配曲,Cumulative,Match,Characteristic,CMC,Rank,度曲,量算,识别精度,无监督学习
AB值：
0.432168
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
