无跨相机配对样本的领域自适应行人重识别
计算机视觉与模式识别
2023-07-18 v2
摘要
现有行人重识别（re-ID）研究主要关注相邻区域相机间的行人身份匹配。然而在现实中，不可避免地要面对长距离场景下的行人身份匹配问题。从长距离场景收集的跨相机行人样本往往没有正样本。利用跨相机负样本实现跨区域行人身份匹配极具挑战性。因此，本文提出了一种新颖的领域自适应行人重识别方法，该方法聚焦于在无配对样本监督下的跨相机一致判别特征学习。该方法主要包括类别协同共促模块（CSCM）和跨相机一致特征学习模块（CCFLM）。在CSCM中，提出了一种任务特定特征重组（FRT）机制。该机制首先根据特征对特定任务的贡献进行分组。然后在该机制中设计并嵌入了特征组间的交互促进学习（IPL）方案，以增强特征判别性。由于按任务划分后特定任务模型的控制参数减少，模型的泛化能力得到提升。在CCFLM中，构建了实例级特征分布对齐与跨相机身份一致学习方法。因此，通过在源域样本与目标域样本间交换风格，在目标域风格监督下实现了有监督模型训练，并利用跨相机相似样本解决了缺乏跨相机配对样本带来的挑战。实验中，使用三个具有挑战性的数据集作为目标域，并通过四种实验设置证明了所提方法的有效性。
引用
@article{arxiv.2307.06533,
title = {Domain-adaptive Person Re-identification without Cross-camera Paired Samples},
author = {Huafeng Li and Yanmei Mao and Yafei Zhang and Guanqiu Qi and Zhengtao Yu},
journal= {arXiv preprint arXiv:2307.06533},
year = {2023}
}
备注
13 pages,7 figures