面向跨域行人重识别的可泛化度量网络
计算机视觉与模式识别
2024-04-30 v2
摘要
行人重识别（Re-ID）是公共安全中的一项关键技术，在有监督设定下已取得显著进展。然而，由于测试域不可见以及训练集与测试集之间的域偏移，跨域（即域泛化）场景给Re-ID任务带来了挑战。为应对该挑战，现有多数方法旨在为所有域学习域不变或鲁棒特征。本文中，我们观察到训练集与测试集之间的数据分布差距在样本对空间中比在样本实例空间中更小。基于该观察，我们提出一种可泛化度量网络（GMN）以进一步在样本对空间中探索样本相似性。具体而言，我们在主网络之后添加一个度量网络（M-Net），并在正负样本对特征上对其进行训练，随后在测试阶段使用。此外，我们引入基于Dropout的扰动（DP）模块，通过丰富样本对多样性来增强度量网络的泛化能力。并且，我们设计了成对身份中心（PIC）损失，通过确保具有相同成对身份的样本对特征一致来提升模型的判别力。我们在多个基准数据集上通过大量实验验证了所提方法的有效性，并确认了GMN中各个模块的价值。
引用
@article{arxiv.2306.11991,
title = {Generalizable Metric Network for Cross-domain Person Re-identification},
author = {Lei Qi and Ziang Liu and Yinghuan Shi and Xin Geng},
journal= {arXiv preprint arXiv:2306.11991},
year = {2024}
}
备注
Accepted by IEEE TCSVT