基于相关性感知专家混合的可泛化行人重识别
计算机视觉与模式识别
2021-05-20 v1
摘要
域可泛化（DG）行人重识别（ReID）是一个具挑战性的问题，因为训练时我们无法访问任何未见目标域数据。几乎所有现有DG ReID方法遵循相同流程：使用来自多源域的混合数据集训练，然后将训练模型直接应用于未见目标域测试。这些方法常忽视各源域的判别特性及其相对于未见目标域的相关性，尽管二者皆可被用以助益模型泛化。为处理上述两方面问题，我们提出一种称为相关性感知专家混合（RaMoE）的新方法，使用一种有效的基于投票的混合机制来动态 leverage 源域的多样特性以改善模型泛化。具体而言，我们提出去相关损失使源域网络（专家）保持各域特性的多样性与判别性。此外，我们设计投票网络以域相关性自适应地将所有专家特征整合为更具泛化性的聚合特征。考虑训练时目标域不可见，我们提出一种结合关系对齐损失的学以学习（learning-to-learn）新算法来更新投票网络。大量实验表明，我们提出的RaMoE优于当前最优方法。
引用
@article{arxiv.2105.09156,
title = {Generalizable Person Re-identification with Relevance-aware Mixture of Experts},
author = {Yongxing Dai and Xiaotong Li and Jun Liu and Zekun Tong and Ling-Yu Duan},
journal= {arXiv preprint arXiv:2105.09156},
year = {2021}
}
备注
Accepted to CVPR 2021