探索 GAN 生成图像在行人重识别中的质量
计算机视觉与模式识别
2021-08-24 v1
摘要
近年来，基于 GAN 的方法在为行人重识别（ReID）生成增强数据方面展现出强大有效性，这归因于其弥合域间差距并在特征空间中丰富数据多样性的能力。然而，大多数 ReID 工作将所有 GAN 生成数据作为额外训练样本，或在整个数据集层面评估 GAN 生成的质量，忽略了 ReID 任务中数据的图像级本质特征。本文中，我们分析了 ReID 样本的深层次特征，并解决了“什么使得 GAN 生成图像对 ReID 有益”的问题。具体而言，我们提出通过将图像映射到不同空间，以身份一致性与多样性约束来审视每个数据样本。借助基于度量的采样方法，我们证明并非每个 GAN 生成数据都有利于增强。使用经我们质量评估筛选的数据训练的模型，大幅优于使用完整增强集训练的模型。大量实验表明了我们的方法在有监督 ReID 任务和无监督域适应 ReID 任务上的有效性。
引用
@article{arxiv.2108.09977,
title = {Exploring the Quality of GAN Generated Images for Person Re-Identification},
author = {Yiqi Jiang and Weihua Chen and Xiuyu Sun and Xiaoyu Shi and Fan Wang and Hao Li},
journal= {arXiv preprint arXiv:2108.09977},
year = {2021}
}
备注
10 pages, 4 figures