利用图像合成进行光照变化校正的无监督域自适应行人重识别
图像与视频处理
2023-11-15 v4 计算机视觉与模式识别
机器学习
摘要
无监督域自适应（UDA）行人重识别（re-ID）旨在从源域中有标注的图像学习身份信息，并将其应用于目标域中无标注的图像。许多无监督重识别方法的一个主要问题是，在光照、视角和遮挡等较大域差异下表现不佳。在本文中，我们提出一种合成模型库（SMB）来处理无监督行人重识别中的光照变化。所提出的 SMB 由若干用于特征提取的卷积神经网络（CNN）和用于距离度量的马氏矩阵组成。它们使用具有不同光照条件的合成数据进行训练，从而其协同效应使 SMB 对光照变化具有鲁棒性。为了更好地量化光照强度并提高合成图像的质量，我们引入了一个新的用于基于 GAN 的图像合成的 3D 虚拟人体数据集。从我们的实验来看，所提出的 SMB 在多个重识别基准上优于其他合成方法。
引用
@article{arxiv.2301.09702,
title = {Illumination Variation Correction Using Image Synthesis For Unsupervised Domain Adaptive Person Re-Identification},
author = {Jiaqi Guo and Amy R. Reibman and Edward J. Delp},
journal= {arXiv preprint arXiv:2301.09702},
year = {2023}
}
备注
10 pages, 5 figures, 5 tables