学习解耦表征以实现鲁棒行人重识别
计算机视觉与模式识别
2019-11-04 v2
摘要
我们解决行人重识别（reID）问题，即给定感兴趣行人的查询图像，从大规模数据集中检索该行人的图像。一个关键挑战是学习对类内变化鲁棒的行人表征，因为不同行人可能具有相同属性，且同一行人的外观随视角变化而不同。近期 reID 方法聚焦于学习判别性特征，但仅对特定变化因素（如人体姿态）鲁棒，这需要相应监督信号（如姿态标注）。为应对该问题，我们提出从行人图像中解耦与身份相关及无关的特征。与身份相关的特征包含指定特定行人所需信息（如衣着），而与身份无关的特征包含其他因素（如人体姿态、尺度变化）。为此，我们引入一种称为身份洗牌 GAN（IS-GAN）的新生成对抗网络，其在无任何辅助信息情况下利用身份标签分解这些特征。我们还提出一种身份洗牌技术来正则化解耦特征。实验结果证明了 IS-GAN 的有效性，在包括 Market-1501、CUHK03 和 DukeMTMC-reID 的标准 reID 基准上显著优于当前最优方法。我们的代码与模型在线可用：https://cvlab-yonsei.github.io/projects/ISGAN/。
引用
@article{arxiv.1910.12003,
title = {Learning Disentangled Representation for Robust Person Re-identification},
author = {Chanho Eom and Bumsub Ham},
journal= {arXiv preprint arXiv:1910.12003},
year = {2019}
}