处理标注不确定性的相机增量行人重识别
计算机视觉与模式识别
2023-07-04 v3
摘要
行人重识别（ReID）的增量学习旨在开发可用连续数据流训练的模型，这对真实应用是更实际的设定。然而，现有增量 ReID 方法做了两个强假设：相机固定，且新出现数据与先前类别类别不相交。这并不现实，因为先前观察到的行人可能再次出现并被新相机再次捕获。本文中，我们研究一种未探索场景下的行人 ReID，称为相机增量行人重识别（CIPR），其通过考虑类别重叠问题推进了现有终身行人 ReID。具体而言，来自新相机的新数据可能包含未知比例的曾出现身份。这随后因隐私问题导致新数据缺乏跨相机标注。为应对这些挑战，我们提出新框架 ExtendOVA。首先，为处理类别重叠问题，我们引入实例级已见类别识别模块以在实例层面发现先前见过的身份。然后，我们提出选择可信 ID 级候选的准则，并设计早学习正则项以纠正伪标签中的噪声问题。此外，为补偿先前数据的缺失，我们求助于原型记忆库创建代理特征，并辅以跨相机蒸馏损失以进一步保留相机间关系。在多个基准上的综合实验结果表明，ExtendOVA 以显著优势大幅优于现有最优方法。
引用
@article{arxiv.2210.08710,
title = {Handling Label Uncertainty for Camera Incremental Person Re-Identification},
author = {Zexian Yang and Dayan Wu and Wanqian Zhang and Bo Li and Weiping Wang},
journal= {arXiv preprint arXiv:2210.08710},
year = {2023}
}