共现偏置的一种解法：基于互信息最小化的属性解耦用于行人属性识别
计算机视觉与模式识别
2023-07-31 v1
摘要
近期关于行人属性识别的研究通过显式或隐式建模属性间共现取得进展。考虑到该已知先验在特定场景下高度可变且不可预知，我们指出当前方法在将拟合得到的属性相互依赖关系泛化至数据集分布之外的场景或身份时实际会受损，从而导致潜在的属性共现偏置。为使模型在真实场景中具备鲁棒性，我们提出属性解耦特征学习，以确保对某一属性的识别不推断其他属性的存在，并将其依次表述为互信息最小化问题。基于此，设计了实用策略以高效解耦属性，在 PETAzs 与 RAPzs 等真实数据集上大幅改进基线并确立最先进性能。代码发布于 https://github.com/SDret/A-Solution-to-Co-occurence-Bias-in-Pedestrian-Attribute-Recognition。
引用
@article{arxiv.2307.15252,
title = {A Solution to Co-occurrence Bias: Attributes Disentanglement via Mutual Information Minimization for Pedestrian Attribute Recognition},
author = {Yibo Zhou and Hai-Miao Hu and Jinzuo Yu and Zhenbo Xu and Weiqing Lu and Yuran Cao},
journal= {arXiv preprint arXiv:2307.15252},
year = {2023}
}
备注
Accepted in IJCAI23