极简实用的行人重识别：面向实际应用的域泛化方法
计算机视觉与模式识别
2019-07-23 v3
摘要
当代行人重识别（reid）方法通常需要在训练时访问部署摄像头网络的数据才能表现良好。这是因为在一个数据集上训练的当代 reid 模型由于数据集之间的域偏移而无法泛化到其他摄像头网络。这一要求常常成为在实用安全或商业应用中部署 reid 系统的瓶颈，因为提前收集这些数据可能不可能，或标注成本过高。本文通过提出一种用于域可泛化（DG）行人重识别的简单基线来缓解此问题。即从一组源域中学习一个 reid 模型，使其无需任何模型更新即可开箱应用于未见过的数据集。具体而言，我们观察到 reid 中的域差异源于不同数据集之间的风格与内容差异，并证明恰当的实例归一化与特征归一化可缓解深度 reid 模型中由此产生的域偏移。早期层中的实例归一化（IN）滤除风格统计差异，深层中的特征归一化（FN）能够进一步消除内容统计上的不一致。相比当代其他方法，该方法极简易于实现，同时训练与测试更快，因而成为实际部署 reid 的极具价值的基线。仅需数行代码，它便在 VIPeR、PRID、GRID 和 i-LIDS 基准上分别将 rank 1 reid 准确率提升了 {11.8%, 33.2%, 12.8% 和 8.5%}。源代码见 \url{https://github.com/BJTUJia/person_reID_DualNorm}。
引用
@article{arxiv.1905.03422,
title = {Frustratingly Easy Person Re-Identification: Generalizing Person Re-ID in Practice},
author = {Jieru Jia and Qiuqi Ruan and Timothy M. Hospedales},
journal= {arXiv preprint arXiv:1905.03422},
year = {2019}
}
备注
14 pages,2 figures