用于可泛化行人重识别的增强困难样本挖掘
计算机视觉与模式识别
2019-10-14 v1 机器学习
摘要
尽管利用复杂的训练方法和大规模标注数据集，行人重识别（Re-ID）的性能已得到很大提升，但许多现有方法做出了不切实际的假设，即训练时可利用目标域的信息。实际上，Re-ID 系统往往在部署后立即开始运行，因此用目标域数据训练是不现实的。为使 Re-ID 系统更实用，已有方法提出在无需目标域信息的情况下实现高性能。然而，它们需要繁琐的训练调参和非常规的测试操作。本文中，我们提出增强困难样本挖掘，它可轻松集成到常见的 Re-ID 训练流程中，并且无需任何网络修改即可利用复杂模型。该方法基于分类概率发现困难样本，并使样本更难，对样本施加多种类型的增广。其中，过度增广的样本通过基于分类的选择过程被剔除。大量分析表明，我们的方法成功筛选出有效样本，并在公开基准数据集上取得了最先进的性能。
引用
@article{arxiv.1910.05280,
title = {Augmented Hard Example Mining for Generalizable Person Re-Identification},
author = {Masato Tamura and Tomokazu Murakami},
journal= {arXiv preprint arXiv:1910.05280},
year = {2019}
}
备注
Submit to WACV2020