面向动态开放行人重识别的开放世界、多样化、跨时空基准数据集
计算机视觉与模式识别
2024-03-25 v1
摘要
得益于数据驱动的深度学习技术，行人重识别（ReID）已取得长足进步。然而，现有基准数据集缺乏多样性，基于这些数据训练的模型无法很好地泛化到动态开放场景。为实现提升ReID模型显式泛化性的目标，我们开发了一个名为OWD的新型开放世界、多样化、跨时空数据集，该数据集具有若干显著特点。1）多样化的采集场景：多个独立的开放世界和高度动态的采集场景，包括街道、十字路口、购物中心等。2）多样化的光照变化：从白天到夜晚的长时间跨度，具有丰富的光照变化。3）多样化的人员状态：四季中的多个摄像机网络，包含正常/恶劣天气条件以及多样的行人外观（例如衣物、随身物品、姿态等）。4）隐私保护：面向隐私关键应用的无面部信息。为提升ReID的隐式泛化性，我们进一步提出了一种潜在域扩展（LDE）方法来挖掘源数据的潜力，该方法解耦了具有判别力的身份相关特征和可信赖的域相关特征，并隐式地强制进行域随机化的身份特征空间扩展，以具备更丰富的域多样性，从而促进域不变表示。尽管这项工作距离开放世界和动态开放应用这一宏伟目标还很远，但我们利用社区中大多数基准数据集进行的全面评估对推动进展至关重要。
引用
@article{arxiv.2403.15119,
title = {An Open-World, Diverse, Cross-Spatial-Temporal Benchmark for Dynamic Wild Person Re-Identification},
author = {Lei Zhang and Xiaowei Fu and Fuxiang Huang and Yi Yang and Xinbo Gao},
journal= {arXiv preprint arXiv:2403.15119},
year = {2024}
}
备注
Accepted by IJCV in 2024