DomainMix：无需人工标注学习可泛化行人重识别
计算机视觉与模式识别
2021-10-25 v3
摘要
现有行人重识别模型往往泛化性较低，这主要归因于训练中大规模标注数据的有限可用性。然而，标注大规模训练数据极为昂贵且耗时，而大规模合成数据集在学习可泛化的行人重识别模型中展现出可观价值。因此，本文提出一项新颖且实用的行人重识别任务，即如何使用标注合成数据集与无标注真实世界数据集训练通用模型。如此，不再需要人工标注，且可扩展至大规模多样化的真实世界数据集。为应对该任务，我们引入一种具有高泛化性的框架，即DomainMix。具体而言，所提方法首先对无标注真实世界图像进行聚类并筛选可靠簇。训练中，为解决两域间的大域间隙，提出一种域不变特征学习方法，其引入一种新的损失即域平衡损失，在域不变特征学习与域判别之间进行对抗学习，同时学习用于行人重识别的判别性特征。由此，合成与真实数据间的域间隙大幅缩小，且得益于大规模多样化训练数据，所学特征具备泛化性。实验结果表明，所提无标注方法或多或少可与使用完整人工标注训练的对应方法相媲美，颇具前景。此外，在直接跨数据集评估下，其在多个行人重识别数据集上达到当前最优(state of the art)。
引用
@article{arxiv.2011.11953,
title = {DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations},
author = {Wenhao Wang and Shengcai Liao and Fang Zhao and Cuicui Kang and Ling Shao},
journal= {arXiv preprint arXiv:2011.11953},
year = {2021}
}
备注
Accepted to BMVC 2021