面向可泛化多源行人重识别的新型混合归一化方法
计算机视觉与模式识别
2022-06-14 v2
摘要
行人重识别（Re-ID）在监督场景下已取得巨大成功。然而，由于模型对已见源域过拟合，难以将监督模型直接迁移到任意未见域。本文旨在从数据增强的角度解决可泛化多源行人重识别任务（即存在多个可用源域，且测试域在训练期间不可见），因此我们提出了一种名为 MixNorm 的新方法，该方法由域感知混合归一化（DMN）和域感知中心正则化（DCR）组成。与传统数据增强不同，所提出的域感知混合归一化从神经网络的归一化视角增强训练期间特征的多样性，这能有效缓解模型对源域的过拟合，从而提升模型在未见域的泛化能力。为了更好地学习域不变模型，我们进一步开发了域感知中心正则化，以更好地将产生的多样化特征映射到同一空间。在多个基准数据集上的大量实验验证了所提方法的有效性，并表明所提方法能超越最先进的方法。此外，进一步分析也揭示了所提方法的优越性。
引用
@article{arxiv.2201.09846,
title = {A Novel Mix-normalization Method for Generalizable Multi-source Person Re-identification},
author = {Lei Qi and Lei Wang and Yinghuan Shi and Xin Geng},
journal= {arXiv preprint arXiv:2201.09846},
year = {2022}
}
备注
Accepted by IEEE Transactions on Multimedia (TMM)