基于视频的人员重识别的深度主动学习
计算机视觉与模式识别
2018-12-17 v1
摘要
标注大规模基于视频的人员重识别（re-ID）数据集代价高昂，这使得全监督方法难以应用于实际部署。如何在最大限度降低标注成本的同时保持重识别性能成为一个有趣的问题。本文通过将主动学习方案集成到深度学习框架中来解决该问题。注意到真正匹配的轨迹片段对（也称为真正例（TP））是我们的重识别模型最具信息量的样本，我们提出一种采样准则以选择最可能为正例对的轨迹片段对进行标注。设计了一种考虑视角特定偏差的视角感知采样策略以辅助候选选择，随后通过自适应重采样步骤剔除所选候选中无需标注的部分。我们的方法迭代地学习重识别模型并更新标注集。重识别模型由轨迹片段的伪标签监督，这些伪标签通过将每个轨迹片段视为不同类别来初始化。随着主动选定候选的标注获取，轨迹片段的伪标签通过标签合并更新，并进一步用于重新训练我们的重识别模型。尽管简单，所提方法在三个基于视频的人员重识别数据集上展现了其有效性。实验结果表明，我们的方法仅需不到 3% 的样本对标注即可达到与全监督设定相当的性能。
引用
@article{arxiv.1812.05785,
title = {Deep Active Learning for Video-based Person Re-identification},
author = {Menglin Wang and Baisheng Lai and Zhongming Jin and Xiaojin Gong and Jianqiang Huang and Xiansheng Hua},
journal= {arXiv preprint arXiv:1812.05785},
year = {2018}
}