基于属性引导度量蒸馏的可解释行人重识别
计算机视觉与模式识别
2021-08-18 v2
摘要
尽管采用卷积神经网络使行人重识别(ReID)取得巨大进展，当前ReID模型不透明且仅输出两人间的标量距离。极少方法有向用户提供语义可理解的解释，说明两人为何是同一人或否。本文提出一种事后方法，称为属性引导度量蒸馏(AMD)，以解释现有ReID模型。这是首个利用属性探究：1)哪些及何处属性使两人不同，2)各属性对差异贡献多少的方法。在AMD中，我们为目标模型设计可插拔解释器网络，以生成属性的定量贡献并可视化最具判别性属性的准确注意力图。为实现此目标，我们提出度量蒸馏损失，使解释器学习将两人距离分解为属性分量，并从目标模型蒸馏知识。此外，我们提出属性先验损失，使解释器生成属性引导注意力图并消除属性不平衡分布导致的偏差。该损失可引导解释器关注两人独有且具判别性的属性，而非大面积但常见的属性。综合实验表明，解释器能为多种模型生成有效直观解释，并在跨域设定下良好泛化。作为副产品，目标模型精度可借我们的解释器进一步提升。
引用
@article{arxiv.2103.01451,
title = {Explainable Person Re-Identification with Attribute-guided Metric Distillation},
author = {Xiaodong Chen and Xinchen Liu and Wu Liu and Xiao-Ping Zhang and Yongdong Zhang and Tao Mei},
journal= {arXiv preprint arXiv:2103.01451},
year = {2021}
}
备注
13 pages, 8 figures, ICCV 2021, Project Page: https://xiaodongchen.cn/AMD.github.io/