对抗式开放世界行人重识别

在典型的重识别（re-id）实际应用中，需要在大量非目标人群中跨摄像头视角追踪少量目标人物（例如嫌疑人）的监视名单（图库集），这被称为开放世界行人重识别。与常规（封闭世界）行人重识别不同，在开放世界设定下，很大一部分探针样本并非来自目标人物。并且，非目标人物看起来与目标人物相似的情况总是会发生，从而严重挑战重识别系统。在这项工作中，我们引入一种基于对抗学习的深度开放世界分组行人重识别模型，以缓解由相似非目标人物引起的攻击问题。主要思想是利用 GAN 生成极具目标特征的图像（冒名者）来攻击针对目标人物的特征提取器，同时模型通过判别学习使特征提取器学会容忍该攻击，从而实现基于分组的验证。我们提出的框架称为对抗式开放世界行人重识别，这由我们的对抗式 PersonNet（APN）实现，其联合学习生成器、人物判别器、目标判别器和特征提取器，其中特征提取器与目标判别器共享权重，从而使特征提取器学会容忍冒名者的攻击以获得更好的基于分组的验证。尽管开放世界行人重识别具有挑战性，我们首次表明基于对抗的方法能更有效地在冒名者攻击下稳定行人重识别系统。