基于图采样深度度量学习的可泛化行人重识别

近期研究表明，显式的深度特征匹配以及大规模多样化训练数据均可显著提升行人重识别的泛化能力。然而，在大规模数据上学习深度匹配器的效率尚未得到充分研究。尽管使用分类参数或类别记忆进行学习是一种流行方式，但其会带来巨大的内存与计算开销。相比之下，小批量内的成对深度度量学习是更好的选择。然而，最流行的随机采样方法——著名的PK采样器——对于深度度量学习而言信息量不足且效率不高。尽管在线难例挖掘在一定程度上提升了学习效率，但随机采样后在小批量内的挖掘仍受限。这启发我们在数据采样阶段更早地利用难例挖掘。为此，本文提出一种高效的小批量采样方法，称为图采样（GS），用于大规模深度度量学习。其基本思想是在每个训练轮次开始时为所有类别构建最近邻关系图。然后，每个小批量由一个随机选中的类别及其最近邻类别组成，从而为学习提供信息丰富且具有挑战性的样本。结合一个改进的自适应竞争基线，我们在可泛化行人重识别上显著提升了最先进水平：在RandPerson上训练时，于MSMT17上的Rank-1指标提升25.1%；此外，所提方法在MSMT17上训练时，于CUHK03-NP上的Rank-1指标超越竞争基线6.8%。同时，训练时间显著减少，在RandPerson上以8000个身份训练时从25.4小时降至2小时。代码见 https://github.com/ShengcaiLiao/QAConv。