基于度量学习构建计算高效且泛化能力强的行人重识别模型
计算机视觉与模式识别
2021-08-19 v2
摘要
本文研究行人重识别中的域偏移问题。在一个数据集上训练的模型，在未见数据上通常表现差得多。这一差距部分源于行人重识别数据集规模相对较小（例如与人脸识别数据集相比），但也与训练目标有关。我们提出使用度量学习目标，即 AM-Softmax 损失，以及一些额外的训练实践，来构建泛化能力强且计算高效的模型。我们采用近期提出的 Omni-Scale Network (OSNet) 架构，结合若干训练技巧与架构调整，在大规模 MSMT17 数据集的三种设定下（MSMT17-all->DukeMTMC、MSMT17-train->Market1501 和 MSMT17-all->Market1501）取得了跨域泛化问题的当前最优结果。
引用
@article{arxiv.2003.07618,
title = {Building Computationally Efficient and Well-Generalizing Person Re-Identification Models with Metric Learning},
author = {Vladislav Sovrasov and Dmitry Sidnev},
journal= {arXiv preprint arXiv:2003.07618},
year = {2021}
}
备注
Submitted to International Conference on Pattern Recognition (ICPR 2020)