面向可泛化多源行人重识别的标签分布学习
计算机视觉与模式识别
2022-08-26 v3
摘要
行人重识别（Re-ID）是视频监控系统的一项关键技术，其在有监督设定下已取得显著成功。然而，由于可用源域与未见目标域之间的域间隙，难以将该有监督模型直接应用于任意未见域。本文提出一种新颖的标签分布学习（LDL）方法来解决可泛化多源行人 Re-ID 任务（即存在多个可用源域，且测试域在训练时不可见），旨在探索不同类别间的关系并缓解跨域偏移，从而同时提升模型判别力并学习域不变特征。具体而言，在训练过程中，我们以在线方式生成标签分布以挖掘不同类别的关系信息，从而有益于提取判别性特征。此外，对于每个类别的标签分布，我们进一步修订之以对该类不属于的其他域给予更多且平等的关注，这能有效缩减跨域间隙并获得域不变特征。进一步地，我们亦给出理论分析以证明所提方法能有效应对域偏移问题。在多个基准数据集上的大量实验验证了所提方法的有效性，并表明其优于当前最优（SOTA）方法。此外，进一步分析也揭示了所提方法的优越性。
引用
@article{arxiv.2204.05903,
title = {Label Distribution Learning for Generalizable Multi-source Person Re-identification},
author = {Lei Qi and Jiaying Shen and Jiaqi Liu and Yinghuan Shi and Xin Geng},
journal= {arXiv preprint arXiv:2204.05903},
year = {2022}
}
备注
Accepted by IEEE Transactions on Information Forensics and Security (TIFS). arXiv admin note: text overlap with arXiv:2201.09846