用于无监督跨摄像头行人重识别的对抗摄像头对齐网络

在行人重识别（Re-ID）中，有监督方法通常需要大量昂贵的标注信息，而无监督方法仍无法提供令人满意的识别性能。本文引入一种称为无监督跨摄像头行人重识别的新任务，其仅需要相机内（intra-camera）标注信息，而不需要跨摄像头（inter-camera）标注，后者获取成本更高。在实际应用中，相机内标注信息可通过跟踪算法或少量人工标注轻松获取。在此情形下，主要挑战变为不同摄像头视角间的分布差异，该差异由不同摄像头中的各种身体姿态、遮挡、图像分辨率、光照条件和背景噪声引起。为应对此情形，我们提出一种用于无监督跨摄像头行人重识别的新型对抗摄像头对齐网络（ACAN）。它由摄像头对齐任务和相机内有监督学习任务组成。为实现摄像头对齐，我们开发了多摄像头对抗学习（MCAL）将不同摄像头的图像映射到一个共享子空间。特别地，我们研究了两种不同方案，包括已有的 GRL（即梯度反转层）方案和提出的称为“其他摄像头等概率”（OCE）的方案，以执行多摄像头对抗任务。基于此共享子空间，我们随后利用相机内标注来训练网络。在五个大规模数据集上的大量实验证明了 ACAN 相对于多种利用有标注源域和 GAN 基模型生成图像的最先进无监督方法的优越性。特别地，我们验证了所提出的多摄像头对抗任务确实带来了显著提升。