面向全域通用的人体复识别中的对齐发散路径
计算机视觉与模式识别
2024-10-14 v1
摘要
人体复识别在完全监督和领域泛化人体复识别中取得了显著进展。然而，针对一个任务域开发的方法在另一个任务域中的迁移表现不佳。理想的人体复识别方法应无论涉及多少个域在训练或测试中都能有效工作。此外，给定来自目标域的训练数据，应至少表现得像最先进 (SOTA) 完全监督人体复识别方法一样好。我们将此范式称为全域泛化人体复识别，简称为ODG-ReID，并通过将兼容的主干架构扩展为多个多样化路径来实现此目标。我们的方法是对齐发散路径 (ADP)，首先通过复制原始主干架构的尾部将其转换为多分支结构。我们设计了动态最大偏差自适应实例归一化 (DyMAIN) 模块，以鼓励学习对全域方向鲁棒的通用特征，并将DyMAIN应用于ADP的分支上。我们提出的相位混合余弦 (PMoC) 在分支之间协调稳定和湍动学习率计划，以实现更广泛的学习。最后，我们通过所提出的维度一致性损失 (DCML) 对分支之间的特征空间进行重新对齐。ADP 在多源领域泛化和受控人体复识别方面均超过了最先进 (SOTA) 的结果。此外，我们的方法在广泛的单源领域泛化基准测试中实现了人体复识别的全域泛化。
引用
@article{arxiv.2410.08466,
title = {Aligned Divergent Pathways for Omni-Domain Generalized Person Re-Identification},
author = {Eugene P. W. Ang and Shan Lin and Alex C. Kot},
journal= {arXiv preprint arXiv:2410.08466},
year = {2024}
}
备注
2024 International Conference on Electrical, Computer and Energy Technologies (ICECET)