面向域生成化人员重识别的统一深度语义扩展框架

监督式人员重识别（Person ReID）方法在单一摄像头网络内的训练与测试之间取得了优异性能。然而，这些方法在应用到不同摄像头系统时通常会出现显著的性能下降。近年来，许多域适应 Person ReID 方法已取得令人印象的成绩，无需来自目标域的标注数据。然而，这些方法仍需在训练过程中使用目标域的无标签数据，这在许多实际场景中难以实现。我们的工作聚焦于更为实际的域生成化人员重识别（DG-ReID）问题。给定一或多个源域，旨在学习可应用于未知目标域的通用模型。DG-ReID 的一个有前景的研究方向是使用隐式深度语义特征扩展，而我们之前的方法 Domain Embedding Expansion（DEX）就是此类方法之一，已在 DG-ReID 上取得强大的性能。然而，本文指出，DEX 和其他类似的隐式深度语义特征扩展方法由于其所提出的损失函数存在局限性，在大型评估基准上难以发挥最大潜力，因为它们倾向于过早饱和。基于此分析，我们提出 Unified Deep Semantic Expansion，一种新型框架，将隐式与显式语义特征扩展技术统一于单个框架中，以缓解早期过拟合，实现所有 DG-ReID 基准上的新型最先进（SOTA）性能。进一步，我们将该方法应用于更广泛的图像检索任务，也在所有这些基准上以显著的优势超越当前 SOTA。