面向全域通用的人体复识别中的多样化深度特征集成学习

人体复识别 (Person ReID) 已发展至单域监督 Person ReID 性能饱和的水平。然而，这些方法在跨不同数据集进行训练和测试时会出现显著的性能下降，这促使开发领域泛化技术。然而，我们的研究发现，领域泛化方法在单数据集基准测试中表现显著低于单域监督方法。理想的人体复识别方法应无论涉及多少个域都能有效工作，并且在测试域数据可用于训练时，应表现得与最先进 (SOTA) 完全监督方法一样好。这就是我们称之为全域泛化人体复识别 (ODG-ReID) 的范式。我们通过创建深度特征多样性来实现 ODG-ReID，方法是使用自助集成。我们的方法是多样化深度特征集成学习 (D2FEL)，它部署独特的实例归一化模式，以生成多个多样化视图，并将这些视图组合成紧凑编码。迄今为止，我们是少数几个在人体复识别中考虑全域泛化的工作之一，我们推动了在人体复识别中应用特征集成的研究。D2FEL 在主要领域泛化和单域监督基准测试方面显著提升并匹配了最先进 (SOTA) 的性能。