Alice 基准：连接真实世界与合成数据的重识别

对于对象重识别（re-ID），从合成数据学习已成为一种有前景的策略，可廉价获取大规模标注数据集与有效模型，且隐私顾虑少。该策略引发了诸多有趣研究问题，例如如何缩小合成源与真实世界目标间的域间隙。为促进从合成数据学习中开发更多新方法，我们引入 Alice 基准，其为研究社区提供大规模数据集及基准与评估协议。在 Alice 基准中，提供两项对象重识别任务：行人与车辆重识别。我们收集并标注了两个具挑战性的真实世界目标数据集：AlicePerson 与 AliceVehicle，采集于各种光照、图像分辨率等条件下。作为我们真实目标的一项重要特征，其训练集的簇可分性未人为保证，以更贴近真实域适应测试场景。相应地，我们复用现有 PersonX 与 VehicleX 作为合成源域。主要目标是训练来自合成数据的模型，使其能在真实世界中有效工作。本文中，我们详述 Alice 基准的设置，提供对现有常用域适应方法的分析，并讨论一些有趣的未来方向。已建立在线服务器供社区便捷公平地评估方法。数据集与在线服务器详情见 https://sites.google.com/view/alice-benchmarks。