注意力机制：跨域行人重识别的一大惊喜
计算机视觉与模式识别
2019-05-31 v1
摘要
本文中，我们关注跨域行人重识别（Re-ID）的模型泛化与适配。与现有的利用那些无标签目标域数据的辅助信息的跨域Re-ID方法不同，我们的目标是通过判别性特征学习来增强模型泛化与适配，并直接将一个预训练模型用于新域（数据集）而不利用来自目标域的任何信息。为解决判别性特征学习问题，我们惊讶地发现，简单地引入注意力机制以自适应地提取每个域的行人特征具有极大的有效性。我们采用了两种流行的注意力机制类型：基于长程依赖的注意力和基于直接生成的注意力。它们均可通过单独的空间或通道维度，甚至是空间与通道维度的组合来实施注意力。不同注意力的轮廓得到了充分阐释。此外，我们还通过跳跃连接将注意力结果融入模型的最终输出，以改进兼具高层与中层语义视觉信息的特征。在以直接将预训练模型用于新域的方式下，注意力融入方法确实能够增强模型泛化与适配以执行跨域行人Re-ID。我们在三个大型数据集Market-1501、DukeMTMC-reID和MSMT17之间进行了大量实验。令人惊讶的是，仅引入注意力即可达到最先进的性能，甚至远优于那些利用来自目标域辅助信息的跨域Re-ID方法。
引用
@article{arxiv.1905.12830,
title = {Attention: A Big Surprise for Cross-Domain Person Re-Identification},
author = {Haijun Liu and Jian Cheng and Shiguang Wang and Wen Wang},
journal= {arXiv preprint arXiv:1905.12830},
year = {2019}
}