基于无监督姿态解耦与自适应的跨数据集行人重识别
计算机视觉与模式识别
2019-09-24 v1
摘要
行人重识别（re-ID）旨在从不同摄像头拍摄的图像中识别同一个人。为解决这一具有挑战性的任务，现有的 re-ID 模型通常依赖于大量带标签的训练数据，这对于实际应用并不现实。为缓解这一限制，研究人员目前致力于跨数据集 re-ID，其重点在于给定带标签的源域数据集时，将判别能力泛化到无标签的目标域。为实现这一目标，我们提出的姿态解耦与自适应网络（PDA-Net）旨在学习将姿态与域信息恰当解耦的深度图像表示。借助所学得的跨域姿态不变特征空间，我们提出的 PDA-Net 能够在无身份监督的情况下进行跨域姿态解耦，所得特征可应用于跨数据集 re-ID。我们在两个基准数据集上的定性与定量结果均证实了该方法的有效性及其相对于最先进跨数据集 Re-ID 方法的优越性。
引用
@article{arxiv.1909.09675,
title = {Cross-Dataset Person Re-Identification via Unsupervised Pose Disentanglement and Adaptation},
author = {Yu-Jhe Li and Ci-Siang Lin and Yan-Bo Lin and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:1909.09675},
year = {2019}
}
备注
Accepted to ICCV 2019