基于多样性聚类样本对选择的低标注成本行人重识别方法
计算机视觉与模式识别
2022-06-03 v2
摘要
行人重识别(Re-ID)因其极具前景的实际应用而受到广泛关注。然而在实践中，标注训练数据以训练Re-ID模型总是成本高昂，并且在保持Re-ID任务性能的同时降低标注成本仍然具有挑战性。为解决该问题，我们提出低标注成本行人重识别方法，根据样本对的易错性与多样性从候选样本对集合中筛选图像对，并基于标注训练Re-ID模型。具体而言，我们设计了一个标注与训练框架：首先通过考虑特征局部性的聚类缩减候选样本对集合规模，其次从簇内/簇间样本中选择图像对供人工标注，接着根据标注重新分配簇，最后用重新分配的簇训练模型。在样本对选择过程中，我们根据样本对的易错性与多样性寻找有价值样本对，包括用于构建簇内最混乱样本与代表性样本对的簇内准则、基于二阶Wasserstein距离构建簇间样本对的簇间准则，以及用于基于聚类的样本对选择的多样性准则。综合上述准则，我们开发了贪心策略求解样本对选择问题。最终，上述聚类-选择-标注-重分配-训练流程将重复直至达到标注预算。在三个广泛使用的Re-ID数据集上的大量实验表明，与SOTA工作相比，我们能在大幅降低标注成本的同时取得更优性能。
引用
@article{arxiv.2203.05395,
title = {Annotation Efficient Person Re-Identification with Diverse Cluster-Based Pair Selection},
author = {Lantian Xue and Yixiong Zou and Peixi Peng and Yonghong Tian and Tiejun Huang},
journal= {arXiv preprint arXiv:2203.05395},
year = {2022}
}