半监督重采样改进KISSME:行人再识别新算法
需积分: 11 21 浏览量
更新于2024-08-13
收藏 1.39MB PDF 举报
"宋丽丽, 李彬, 赵俊雅, 刘国峰等人提出了一种基于样本正态性重采样的改进KISSME算法,用于解决跨场景行人再识别问题,通过半监督学习提升度量模型的泛化能力。在VIPeR数据集上验证了算法的有效性,尤其是在rank-1识别精度上,相比于原始KISSME算法有显著提升。"
在跨场景行人再识别任务中,特征提取和度量模型的构建是关键环节。然而,由于图像样本分布的局限性,传统的学习方法容易导致模型参数过拟合,从而影响识别性能。为了解决这一问题,研究人员提出了一种基于半监督学习的改进KISSME算法。KISSME(Keep It Simple and Straightforward Metric Learning)是一种简洁而直接的度量学习算法,它通过优化相似度矩阵来提高样本之间的相似度计算。
该改进算法首先引入了样本正态性重采样的策略。依据样本数据的正态分布特性,对数据进行重采样,旨在减少数据分布不均匀性的影响,使得模型训练更为均衡。接着,通过构建循环优化的学习框架,逐步弱化模型对训练数据的过度依赖,从而增强度量模型的泛化能力。这种方法有助于防止模型在特定样本上过拟合,提升其对新样本的适应性。
接下来,结合KISSME度量,研究人员构建了一个改进的半监督度量模型。这种联合度量考虑了更多的样本间关系,能够在半监督学习环境下更好地估计模型参数,进一步提高了识别的准确性和鲁棒性。
为了验证算法的有效性,实验在行人再识别的常用公开数据集VIPeR上进行。与其他几种先进的算法如SLDDL、RDC、ITML、PCCA、QARR-RSVM和原始KISSME算法进行对比,结果显示,改进的KISSME算法在各种排名指标下均有出色表现。特别是在rank-1识别精度上,改进算法相对于KISSME有3.14%的提升,这充分证明了该算法在处理跨场景行人再识别问题上的优越性。
总结来说,这篇研究提出了一种创新的、基于样本正态性重采样和半监督学习的KISSME改进算法,通过优化数据采样和学习策略,有效解决了模型过拟合问题,提高了行人再识别的精度。这种算法不仅在理论层面具有重要意义,而且在实际应用中展示了强大的潜力,对于行人再识别领域的发展具有积极的推动作用。
2021-09-23 上传
2021-09-25 上传
2021-05-29 上传
2021-02-23 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
weixin_38651929
- 粉丝: 4
- 资源: 908
最新资源
- Unity UGUI性能优化实战:UGUI_BatchDemo示例
- Java实现小游戏飞翔的小鸟教程分享
- Ant Design 4.16.8:企业级React组件库的最新更新
- Windows下MongoDB的安装教程与步骤
- 婚庆公司响应式网站模板源码下载
- 高端旅行推荐:官网模板及移动响应式网页设计
- Java基础教程:类与接口的实现与应用
- 高级版照片排版软件功能介绍与操作指南
- 精品黑色插画设计师作品展示网页模板
- 蓝色互联网科技企业Bootstrap网站模板下载
- MQTTFX 1.7.1版:Windows平台最强Mqtt客户端体验
- 黑色摄影主题响应式网站模板设计案例
- 扁平化风格商业旅游网站模板设计
- 绿色留学H5模板:科研教育机构官网解决方案
- Linux环境下EMQX安装全流程指导
- 可爱卡通儿童APP官网模板_复古绿色动画设计