基于相似性保持生成对抗网络的交叉数据集行人重识别
计算机视觉与模式识别
2018-06-25 v2
摘要
行人重识别（Re-ID）旨在匹配监控视频中包含同一人的图像帧。大多数 Re-ID 算法在一些小型标注数据集上进行有监督训练，因此将这些训练好的模型直接部署到真实世界的大型摄像头网络中，可能会因欠拟合而导致性能不佳。源训练数据集与目标测试数据集之间的显著差异使得模型的增量优化具有挑战性。为应对这一挑战，我们提出了一种新颖的解决方案，利用我们提出的相似性保持生成对抗网络模型 SimPGAN，将目标域中的无标注图像进行变换以适配原始分类器。具体而言，SimPGAN 采用带有循环一致性约束的生成对抗网络，将目标域中的无标注图像变换为源域的风格。同时，SimPGAN 使用由孪生深度卷积神经网络度量的相似性一致性损失，以保持同一人变换后图像之间的相似性。我们基于多个真实监控数据集进行了全面的实验，结果表明我们的算法优于当前最先进的交叉数据集无监督行人 Re-ID 算法。
引用
@article{arxiv.1806.04533,
title = {Cross-dataset Person Re-Identification Using Similarity Preserved Generative Adversarial Networks},
author = {Jianming Lv and Xintong Wang},
journal= {arXiv preprint arXiv:1806.04533},
year = {2018}
}
备注
Accepted by KSEM 2018. arXiv admin note: text overlap with arXiv:1803.07293