FlipReID:缩小行人重识别中训练与推理的差距
计算机视觉与模式识别
2021-05-13 v1
摘要
由于神经网络对数据需求量大,在训练中引入数据增强是一种被广泛采用以扩充数据集并提升泛化能力的技术。另一方面,聚合多个增强样本的预测(即测试时增强)可进一步提升性能。在行人重识别模型中,通常的做法是为原始图像及其水平翻转变体提取嵌入特征,最终表示为上述特征向量的均值。然而,该方案导致训练与推理之间存在差距,即推理中计算得到的均值特征向量并未纳入训练流程。本研究设计了带有翻转损失的 FlipReID 结构以解决此问题。具体而言,采用 FlipReID 结构的模型同时以原始图像与翻转图像进行训练,并引入翻转损失来最小化对应图像对特征向量之间的均方误差。大量实验表明,我们的方法带来了稳定的提升。特别地,我们在最大的行人重识别数据集 MSMT17 上刷新了纪录。源代码见 https://github.com/nixingyang/FlipReID。
引用
@article{arxiv.2105.05639,
title = {FlipReID: Closing the Gap between Training and Inference in Person Re-Identification},
author = {Xingyang Ni and Esa Rahtu},
journal= {arXiv preprint arXiv:2105.05639},
year = {2021}
}
备注
First Version