面向对象重识别的大规模训练数据搜索
计算机视觉与模式识别
2023-03-29 v1 人工智能
摘要
我们考虑这样一种场景：可访问目标域，但无法负担即时训练数据标注，而是希望从大规模数据池中构建替代训练集以获得有竞争力的模型。我们针对训练数据搜索问题提出一种搜索与剪枝（SnP）方案，专为对象重识别（re-ID）——一种匹配不同摄像头所捕获同一物体的应用——而设计。具体而言，搜索阶段识别并合并那些与目标域表现出相似分布的源身份簇。第二阶段在预算约束下从第一阶段输出中选择身份及其图像，以控制所得训练集的规模从而实现高效训练。这两步为我们提供了比源池小 80% 的训练集，同时达到相似甚至更高的 re-ID 精度。这些训练集也被证明优于在相同训练数据规模预算下的若干现有搜索方法，如随机采样与贪婪采样。若放开预算，仅由第一阶段产生的训练集可允许甚至更高的 re-ID 精度。我们就该方法对 re-ID 问题的特殊性及其在弥合 re-ID 域差距中的作用进行了有趣的讨论。代码见 https://github.com/yorkeyao/SnP。
引用
@article{arxiv.2303.16186,
title = {Large-scale Training Data Search for Object Re-identification},
author = {Yue Yao and Huan Lei and Tom Gedeon and Liang Zheng},
journal= {arXiv preprint arXiv:2303.16186},
year = {2023}
}
备注
Accepted to CVPR2023