基于跨域片段式学习的域泛化行人重识别
计算机视觉与模式识别
2020-10-20 v1
摘要
行人重识别(re-ID)旨在跨不同摄像头视角识别同一人的图像,一直是计算机视觉中的活跃研究课题。现有大多数 re-ID 工作需要从感兴趣的场景中收集大量带标注的图像数据。当待识别数据与源域训练数据不同时,已有大量域适应方法被提出。然而,这些方法在训练时仍需收集目标域的标注或无标注数据。本文研究更具挑战性且更实用的设定——域泛化(DG)行人重识别。即,尽管可获得若干带标注的源域数据集,但我们无法访问任何目标域训练数据。为在不了解感兴趣目标域的情况下学习域不变特征,我们提出一种片段式学习方案,将元学习策略推进以利用已有的源域标注数据。所学特征将展现出充分的域不变特性,同时不会过拟合源域数据或 ID 标签。我们在四个基准数据集上的实验证实了本方法相对于当前最优方法的优越性。
引用
@article{arxiv.2010.09561,
title = {Domain Generalized Person Re-Identification via Cross-Domain Episodic Learning},
author = {Ci-Siang Lin and Yuan-Chia Cheng and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:2010.09561},
year = {2020}
}
备注
Accepted to ICPR 2020