深入半监督行人重识别
计算机视觉与模式识别
2021-07-27 v1
摘要
行人重识别是在不同摄像机视角下识别同一人的具有挑战性的任务。为此任务训练卷积神经网络（CNN）需要对大型数据集进行标注，因此涉及跨摄像机人工匹配人员的耗时工作。为减少对标注数据的需求，我们聚焦于一种仅需训练数据子集被标注的半监督方法。我们对有限标注下的行人重识别领域进行了全面调研。该领域现有工作的局限在于利用来自多个 CNN 的特征，且要求已知无标注数据中的身份数量。为克服这些局限，我们提出采用来自单个 CNN 的基于部件的特征，而无需标签空间（即身份数量）的先验知识。这使得我们的方法更适用于实际场景，并显著减少了对计算资源的需求。我们还提出了一种 PartMixUp 损失，可提升在半监督设定下用于伪标注的基于部件特征的判别能力。我们的方法在三个大规模行人重识别数据集上优于当前最优结果，且仅使用三分之一的标注身份便达到了与全监督方法同等的性能水平。
引用
@article{arxiv.2107.11566,
title = {Going Deeper into Semi-supervised Person Re-identification},
author = {Olga Moskvyak and Frederic Maire and Feras Dayoub and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2107.11566},
year = {2021}
}