通过高斯过程去偏批归一化以实现可泛化行人重识别

可泛化行人重识别旨在仅利用若干带标签源域学习一个能在未见域上表现良好的模型。由于无法访问未见域，从有限数量源域学到的批归一化 (BN) 层特征统计量对未见域无疑是有偏的。这会误导未见域的特征表示学习并损害模型的泛化能力。本文提出一种新颖的通过高斯过程去偏批归一化方法 (GDNorm) 用于可泛化行人重识别，该方法将 BN 层的特征统计量估计建模为动态自精炼高斯过程，以缓解对未见域的偏置从而提升泛化能力。具体而言，我们建立了一个带有多组域特定 BN 层的轻量模型以捕获各源域的判别性，并学习相应域特定 BN 层的参数。不同源域的这些参数被用于推导一个高斯过程。我们从该高斯过程中随机采样若干路径作为已有源域之外潜在新域的 BN 估计，这可进一步优化从源域学到的参数，并反过来由它们估计更准确的高斯过程，趋近于真实数据分布。即便没有大量源域，GDNorm 仍可利用高斯过程的均值路径提供去偏 BN 估计，同时在测试时保持低计算成本。大量实验表明我们的 GDNorm 有效提升了模型在未见域上的泛化能力。