用于高度可泛化大规模重识别的校准域不变学习
计算机视觉与模式识别
2019-11-28 v2
摘要
许多现实应用，如城市级交通监控与控制，需要大规模重识别。然而，以往的ReID方法常未能解决现有ReID基准中的两个局限，即低时空覆盖与样本不均衡。尽管它们在各个单一基准上取得了成功，却难以泛化至未见环境。因此，这些方法因泛化性差而在大规模场景下适用性较低。为寻求高度可泛化的大规模ReID方法，我们提出一种对抗域不变特征学习框架（ADIN），其显式学习将身份相关特征与挑战性变化分离，并首次利用了ReID数据中如视频时间戳与相机索引等“免费”标注。此外，我们发现干扰类别的不平衡会损害对抗训练，为此提出一种关注干扰分布的校准对抗损失以缓解该问题。在现有人车大规模ReID数据集上的实验表明，ADIN学习了更鲁棒且可泛化的表征，其在跨数据集直接迁移性能上的出色表现证明了这一点，该准则是衡量大规模ReID方法可泛化性的更好标准。
引用
@article{arxiv.1911.11314,
title = {Calibrated Domain-Invariant Learning for Highly Generalizable Large Scale Re-Identification},
author = {Ye Yuan and Wuyang Chen and Tianlong Chen and Yang Yang and Zhou Ren and Zhangyang Wang and Gang Hua},
journal= {arXiv preprint arXiv:1911.11314},
year = {2019}
}
备注
WACV 2020 accepted