一种用于遮挡行人重识别的新型师生学习框架
计算机视觉与模式识别
2019-07-09 v1
摘要
行人重识别（re-id）近年来取得重大进展，但遮挡仍是显著退化识别性能的挑战性问题。本文设计了一种师生学习框架，以将遮挡鲁棒模型从全身行人域迁移学习至遮挡行人域。值得注意的是，教师网络仅使用大规模全身行人数据来模拟遮挡行人重识别的学习过程。基于教师网络，学生网络随后利用不充分的真实世界遮挡行人数据训练出更优模型。为从教师网络向学生网络迁移更多知识，我们为该框架配备了共显著网络与跨域模拟器。共显著网络提取骨干特征，其后接两个分离的协作分支。一分支为身份识别的分类分支，另一分支为共显著分支，用于在无人手标注情况下引导网络突出有意义部位。跨域模拟器以递增概率为全身行人数据生成人工遮挡，使教师网络能通过观测越来越多遮挡样本训练跨域模型。在四个遮挡行人重识别基准上的实验表明，我们的方法优于其他 SOTA 方法。
引用
@article{arxiv.1907.03253,
title = {A Novel Teacher-Student Learning Framework For Occluded Person Re-Identification},
author = {Jiaxuan Zhuo and Jianhuang Lai and Peijia Chen},
journal= {arXiv preprint arXiv:1907.03253},
year = {2019}
}