从无生成方差中学习不变性用于无监督行人重识别
计算机视觉与模式识别
2023-01-03 v1
摘要
本工作关注行人重识别 (ReID) 中的无监督表示学习。近期的自监督对比学习方法通过最大化同一图像两个增广视图间的表示相似度来学习不变性。然而，传统数据增广可能给身份特征带来不利的畸变，这在敏感身份的 ReID 任务中并非总是有利。本文中，我们提出以生成对抗网络 (GAN) 替代传统数据增广，该网络旨在为对比学习生成增广视图。提出一种 3D 网格引导的行人图像生成器，将行人图像解耦为身份相关与身份无关特征。不同于以往仅作用于身份无关空间（姿态与相机风格）的基于 GAN 的 ReID 方法，我们在身份无关与身份相关特征上均进行基于 GAN 的增广。我们进一步提出特定的对比损失，以帮助网络从身份无关与身份相关增广中学习不变性。通过联合训练生成与对比模块，我们的方法在主流大规模基准上取得了新的最优无监督行人 ReID 性能。
引用
@article{arxiv.2301.00725,
title = {Learning Invariance from Generated Variance for Unsupervised Person Re-identification},
author = {Hao Chen and Yaohui Wang and Benoit Lagadec and Antitza Dantcheva and Francois Bremond},
journal= {arXiv preprint arXiv:2301.00725},
year = {2023}
}
备注
Extension of conference paper arXiv:2012.09071. Accepted to TPAMI. Project page: https://github.com/chenhao2345/GCL-extended