基于记忆的多源元学习用于行人重识别的未见域泛化
计算机视觉与模式识别
2021-05-10 v3
摘要
近期行人重识别（ReID）在有监督与无监督学习设定下取得了令人印象深刻的准确率。然而，多数现有方法需通过访问数据为新域训练新模型。出于公众隐私考虑，新域数据并非总可获取，导致这些方法适用性受限。本文研究ReID中的多源域泛化问题，旨在仅利用若干带标签源域学习一个能在未见域上表现良好的模型。为此，我们提出基于记忆的多源元学习（ML）框架，以训练面向未见域的可泛化模型。具体而言，引入元学习策略模拟域泛化的训练—测试过程，从而学习更具泛化性的模型。为克服由参数分类器引起的不稳定元优化，我们提出非参数且与元学习相协调的基于记忆的识别损失。我们还提出元批归一化层（MetaBN）以多样化元测试特征，进一步确立元学习之优势。实验表明，我们的ML能有效增强模型对未见域的泛化能力，并在四个大规模ReID数据集上超越最先进方法。
引用
@article{arxiv.2012.00417,
title = {Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification},
author = {Yuyang Zhao and Zhun Zhong and Fengxiang Yang and Zhiming Luo and Yaojin Lin and Shaozi Li and Nicu Sebe},
journal= {arXiv preprint arXiv:2012.00417},
year = {2021}
}
备注
CVPR 2021