DEX：面向广义行人重识别的域嵌入扩展
计算机视觉与模式识别
2021-10-25 v1
摘要
近年来，有监督行人重识别（Person ReID）方法已展现出优异性能。然而，当这些方法应用于来自不同摄像机网络的输入时，通常会出现显著的性能下降。与解决该问题的大多数域适应（DA）方法不同，我们专注于开发一种域泛化（DG）行人重识别模型，该模型可在无需额外微调或适应的情形下部署。本文提出域嵌入扩展（DEX）模块。DEX 在训练期间基于行人与域标签动态操控并增强深度特征，显著提升了行人重识别模型对未见域的泛化能力与鲁棒性。我们还开发了 DEX 的轻量版（DEXLite），应用负采样技术以扩展到更大数据集并降低多分支网络的内存占用。我们提出的 DEX 与 DEXLite 能以即插即用的方式同许多现有方法结合，包括 Bag-of-Tricks（BagTricks）、多粒度网络（MGN）与基于部件的卷积基线（PCB）。借助 DEX 与 DEXLite，现有方法在其他未见数据集上测试时可获得显著提升，从而证明了我们方法的普遍适用性。我们的方案在所有大规模基准以及大多数小规模基准上均优于最先进的 DG 行人重识别方法。
引用
@article{arxiv.2110.11391,
title = {DEX: Domain Embedding Expansion for Generalized Person Re-identification},
author = {Eugene P. W. Ang and Lin Shan and Alex C. Kot},
journal= {arXiv preprint arXiv:2110.11391},
year = {2021}
}
备注
Accepted into BMVC 2021