面向泛化行人重识别的校准特征分解
计算机视觉与模式识别
2021-11-30 v1 多媒体
摘要
现有基于解耦的泛化行人重识别方法旨在将行人表征直接解耦为域相关干扰与身份相关特征。然而，它们忽略了某些关键特性顽固地纠缠于域相关干扰与身份相关特征两者之中，难以以无监督方式分解。本文提出一种简洁而有效的校准特征分解（CFD）模块，通过更明智的特征分解与增强策略聚焦于提升行人重识别的泛化能力。具体而言，设计校准标准化批量归一化（CSBN），通过联合探索多源域特征的域内校准与域间标准化来学习校准后的行人表征。CSBN 限制各域特征分布的实例级不一致性，并捕获内在的域级特定统计量。校准后的行人表征被精细分解为身份相关特征、域特征及剩余纠缠特征。为增强泛化能力并确保身份相关特征的高判别性，引入校准实例归一化（CIN）以强化判别性身份相关信息、滤除身份无关信息，同时进一步利用剩余纠缠特征中的丰富互补线索对其加强。大量实验证明了我们框架的强泛化能力。由 CFD 模块赋能的模型在多个广泛使用的基准上显著优于最先进的域泛化方法。代码将公开：https://github.com/zkcys001/CFD。
引用
@article{arxiv.2111.13945,
title = {Calibrated Feature Decomposition for Generalizable Person Re-Identification},
author = {Kecheng Zheng and Jiawei Liu and Wei Wu and Liang Li and Zheng-jun Zha},
journal= {arXiv preprint arXiv:2111.13945},
year = {2021}
}
备注
Technical report, Code: https://github.com/zkcys001/CFD