抗 corruption 不变行人重识别基准
计算机视觉与模式识别
2022-04-26 v2
摘要
在安全关键应用中部署行人重识别（ReID）模型时，理解模型针对多种图像 corruption 的鲁棒性至关重要。然而，当前对行人 ReID 的评估仅考虑在干净数据集上的性能，而忽略了各种 corrupted 场景下的图像。本工作中，我们全面建立了六个 ReID 基准用于学习 corruption 不变表示。在 ReID 领域，我们首次在单模态与跨模态数据集（包括 Market-1501、CUHK03、MSMT17、RegDB、SYSU-MM01）上对 corruption 不变学习进行了详尽研究。在复现并检查了 21 种近期 ReID 方法的鲁棒性表现后，我们得到一些观察：1) 基于 transformer 的模型相比基于 CNN 的模型对 corrupted 图像更鲁棒；2) 增加随机擦除（一种常用增强方法）的概率会损害模型的 corruption 鲁棒性；3) 跨数据集泛化能力随 corruption 鲁棒性的提升而提高。通过分析上述观察，我们提出了一种在单模态与跨模态 ReID 数据集上均取得更好 corruption 鲁棒性的强基线。我们的代码发布于 https://github.com/MinghuiChen43/CIL-ReID。
引用
@article{arxiv.2111.00880,
title = {Benchmarks for Corruption Invariant Person Re-identification},
author = {Minghui Chen and Zhiqiang Wang and Feng Zheng},
journal= {arXiv preprint arXiv:2111.00880},
year = {2022}
}
备注
Accepted by NeurIPS 2021 Track on Datasets and Benchmarks. Project page: https://github.com/MinghuiChen43/CIL-ReID