Multi-attribute Learning for Pedestrian Attribute Recognition in Surveillance Scenarios

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cdknight_happy/article/details/85091563

1 简介

自然场景下的属性识别，如人脸识别、目标识别，已经取得了良好的识别效果。但是，监控场景下图像分辨率小、模糊，包含大的姿势和光线变化，识别效果并不理想。

作者提出使用CNN模型进行行人属性识别。

核心点：

• 使用卷积神经网络(CNN)进行特征提取；
• 设计DeepSAR网络进行单个属性的识别；
• 设计DeepMAR网络多属性的联合识别，如长头发的行人性别更可能是女；
• 设计了加权sigmoid交叉熵损失解决属性标签的不均衡。

2 核心思想

2.1 符号表示

N幅图像，表示成 $x_i,i \in 1,\cdots,N$；
每幅图像L个属性；
图像 $x_i$的标签向量是 $y_i$，可以表示成 $y_{il}，l \in 1,\cdots,L$， $y_{il} \in \{0,1\}$。如果 $y_{il} = 1$，则表示第 $i$幅图像具有第 $l$个属性。

2.2 DeepSAR

网络结构如Fig2(a)所示，其中卷积网络如Fig2©所示。

输入为图像，输出为二分类任务，表示输入图像具有某个属性的概率。

使用softmax loss。

输入图像的第 $l$个属性的损失为：

第 $l$个属性的softmax输出概率为：

2.3 DeepMAR

网络结构如Fig2(b)所示，其中卷积网络如Fig2©所示。

多个属性联合训练，利用属性之间的关联关系。

输入为图像，输出为属性向量。

损失函数使用sigmoid交叉熵损失。

$\hat{p}_{il}$是样本 $x_i$具有第 $l$个属性的概率。 $y_{il} \in \{0,1\}$，表示样本 $x_i$是否具有第 $l$个属性。

由于在监控视频中，往往存在极端的属性分布不一致的情况。比如，有大量的样本具有“is male”的标签，但是只有很少样本具有“has no hair”的标签。因此，作者对上面的损失函数进行了改进，改进后的损失函数为：

就是对每一个属性的损失添加了一个权重系数 $w_l$， $p_l$为训练样本集中第 $l$个属性为正的样本所占的比例。 $\sigma$为超参数，在论文的实验中设置为1。

3 实验

3.1 PETA数据集

监控视频中，19000个行人的图像；每个行人标注了61个二值的和4个多类别的属性。PETA的图像包含了大的背景、光线和视角的变化。

PETA的验证标准是计算每一个属性的平均识别准确率。

应用PETA时一般将数据集分为三部分，9500个行人目标用于训练，1900个用于验证，7600个用于测试。

3.2 实验详情

DeepSAR模型是用caffenet微调来的，只调整了最后一个全连接层的参数。
对样本进行随机的复制以保证正负训练样本集的均衡。图像先缩放到256256，然后再镜像和随机裁剪成227227。

DeepMAR也是在caffenet的基础上微调得到的。所有的层全部进行了调整。初始学习率0.001，权重衰减0.005。

对比算法MRFr2是基于手动设计的特征进行行人属性识别。
对于训练样本集中出现几率较小的属性，DeepSAR提升较大，这主要是由于CNN自动学习特征。DeepMAR平均识别准确率最高。