面向行人重识别的判别与生成联合学习
计算机视觉与模式识别
2021-05-20 v3
摘要
由于不同摄像头间显著的类内差异，行人重识别（re-id）仍然具有挑战性。近来，使用生成模型来增强训练数据并提升对输入变化的不变性引起了越来越多的兴趣。然而，现有方法中的生成流水线相对独立于判别性重识别学习阶段。因此，重识别模型通常在生成数据上以直接的方式训练。本文中，我们旨在通过更好地利用生成数据来改进学习到的重识别嵌入。为此，我们提出了一种端到端耦合重识别学习与数据生成的联合学习框架。我们的模型包含一个生成模块，将每个人分别编码为外观码和结构码，以及一个与生成模块共享外观编码器的判别模块。通过切换外观码或结构码，生成模块能够生成高质量的跨身份组合图像，这些图像在线反馈给外观编码器并用于改进判别模块。所提出的联合学习框架相比不使用生成数据的基线取得了显著改进，在多个基准数据集上达到了最先进的性能。
引用
@article{arxiv.1904.07223,
title = {Joint Discriminative and Generative Learning for Person Re-identification},
author = {Zhedong Zheng and Xiaodong Yang and Zhiding Yu and Liang Zheng and Yi Yang and Jan Kautz},
journal= {arXiv preprint arXiv:1904.07223},
year = {2021}
}
备注
CVPR 2019 (Oral). Add transfer learning results