面向实时行人重识别的多目标域自适应知识蒸馏
计算机视觉与模式识别
2022-07-12 v2
摘要
尽管深度架构近期取得成功，行人重识别（ReID）在实际应用中仍具挑战。为限制源与目标视频数据间典型域偏移导致的 ReID 精度下降，近期提出了若干无监督单目标域自适应（STDA）方法。鉴于行人 ReID 数据的多模态特性（因摄像机视角与采集条件变化），训练一个通用 CNN 骨干网络以应对跨多个目标域的域偏移，可为实时 ReID 应用提供高效方案。尽管多目标域自适应（MTDA）在 ReID 文献中尚未被广泛探讨，一种直接方法是将不同目标数据集混合，并对混合物执行 STDA 以训练通用 CNN。然而，该方法可能导致泛化性差，尤其在混合越来越多不同目标域来训练更小 CNN 时。为缓解此问题，我们引入一种基于知识蒸馏（KD-ReID）的新型 MTDA 方法，适用于实时行人 ReID 应用。我们的方法通过从多个专用教师 CNN 交替蒸馏，使一个通用轻量学生骨干 CNN 在目标域上自适应，每个教师 CNN 在特定目标域数据上自适应。在多个具挑战性行人 ReID 数据集上的大量实验表明，我们的方法优于最先进的 MTDA 方法（包括混合方法），尤其在训练如 OSNet 这样的紧凑 CNN 骨干时。结果表明，我们灵活的 MTDA 方法可用于设计具成本效益的实时视频监控 ReID 系统。
引用
@article{arxiv.2205.06237,
title = {Knowledge Distillation for Multi-Target Domain Adaptation in Real-Time Person Re-Identification},
author = {Félix Remigereau and Djebril Mekhazni and Sajjad Abdoli and Le Thanh Nguyen-Meidine and Rafael M. O. Cruz and Eric Granger},
journal= {arXiv preprint arXiv:2205.06237},
year = {2022}
}
备注
4 pages, 2 figures, submitted to ICIP2022