25、基于正则化贝叶斯度量学习的行人重识别方法

基于正则化贝叶斯度量学习的行人重识别方法

1. 相关工作

行人重识别方法主要分为基于特征和基于模型两类：
- 基于特征的方法 ：通过提取视觉特征来区分不同行人。例如，Farenzena等人提出对称驱动的局部特征累积（SDALF）用于身体外观建模；Jungling等人设计了码本学习方法对局部特征进行聚类，以实现隐式身体形状匹配；Ma等人开发了BiCov描述符，结合生物启发特征和协方差特征来表示人体；Ma等人还使用像素强度的局部描述符并将其编码为高阶Fisher向量进行特征表示；Gray等人选择了一部分颜色和纹理特征来表示人体；Schwartz等人进行偏最小二乘（PLS）以自适应地加权不同的局部特征用于身体表示。
- 基于模型的方法 ：学习分类或排序模型，从图库集中识别查询的人体图像。代表性方法包括支持向量机、迁移学习、流形排序和度量学习等。本文提出一种新的度量学习方法用于行人重识别。

度量学习旨在学习马氏距离度量，通过利用类间和类内差异将样本转换到另一个特征空间。近年来，度量学习在行人重识别中得到广泛应用并取得了先进的性能。然而，现有方法存在两个缺点：一是大多依赖大量训练样本，在训练集较小时性能不佳；二是大多采用迭代优化过程进行训练，增加了计算复杂度。为解决这些问题，本文提出一种简单有效的度量学习方法，将正、负样本对的差异分别表示为贝叶斯模型，并最小化正样本对与负样本对的比例。由于训练样本通常较少，对协方差矩阵进行参数化正则化，使其估计良好且稳定，从而从学习到的距离度量中提取相关信息。

2. 正则化贝叶斯度量学习

设 $x \in R^d$ 是人体图像的特征表示，