EANet：增强对齐的跨域行人重识别
计算机视觉与模式识别
2019-01-01 v1
摘要
行人重识别（ReID）在单域设定下已取得显著改进。然而，直接将模型用于新域总是面临巨大的性能下降，且在无目标域身份标签情况下将模型适配到新域仍具挑战性。本文中，我们解决跨域 ReID 问题，并对模型泛化与适配均作出贡献。首先，我们提出部件对齐池化（PAP），为跨域测试带来显著改进。其次，我们设计一种作用于 ReID 特征的部件分割（PS）约束，以增强对齐并提升模型泛化能力。最后，我们展示将我们的 PS 约束应用于无标签目标域图像可作为一种有效的域适配。我们在三个大数据集 Market1501、CUHK03 和 DukeMTMC-reID 间进行了广泛实验。我们的模型在源域与跨域设定下均达到最先进性能。为完整起见，我们还展示了我们的模型与现有域适配方法的互补性。代码见 https://github.com/huanghoujing/EANet。
引用
@article{arxiv.1812.11369,
title = {EANet: Enhancing Alignment for Cross-Domain Person Re-identification},
author = {Houjing Huang and Wenjie Yang and Xiaotang Chen and Xin Zhao and Kaiqi Huang and Jinbin Lin and Guan Huang and Dalong Du},
journal= {arXiv preprint arXiv:1812.11369},
year = {2019}
}