面向泛化行人重识别的特征分布扰动与校准
计算机视觉与模式识别
2022-05-24 v1
摘要
随着视觉识别深度学习的快速发展，行人重识别 (ReID) 在过去 10 年中取得了显著进步。然而，大多数深度学习模型通常持有的 i.i.d.（独立同分布）假设在 ReID 中有些不适用，因为其目标是在不同位置的摄像头间识别同一行人的图像，这些摄像头往往具有可变且独立的域特征，并受制于视角偏置的数据分布。在本工作中，我们提出一种特征分布扰动与校准 (PECA) 方法，以推导用于行人 ReID 的通用特征表示，其不仅跨摄像头具有判别性，而且对任意未见目标域不可知且可部署。具体而言，我们执行逐域特征分布扰动，通过强制特征对由扰动引起的分布偏移保持不变，来防止模型过拟合于每个源（已见）域的域偏置分布。此外，我们设计了一种全局校准机制，通过对齐所有源域间的特征分布，以消除域偏置，从而提升模型泛化能力。这些局部扰动与全局校准同时执行，其共享同一原则，即分别通过对扰动后和原始分布的正则化来避免模型过拟合。我们在八个行人 ReID 数据集上进行了大量实验，所提出的 PECA 模型以显著优势超越了 SOTA 竞争对手。
引用
@article{arxiv.2205.11197,
title = {Feature-Distribution Perturbation and Calibration for Generalized Person ReID},
author = {Qilei Li and Jiabo Huang and Jian Hu and Shaogang Gong},
journal= {arXiv preprint arXiv:2205.11197},
year = {2022}
}