少即是多：利用细粒度属性合成数据学习行人重识别
计算机视觉与模式识别
2021-12-08 v3
摘要
行人重识别（re-ID）在公共安全与视频监控等应用中发挥着重要作用。近来，受益于合成数据引擎的普及，从合成数据学习引起了广泛关注。然而，现有数据集在数量、多样性和真实感上有限，无法高效用于重识别问题。为应对此挑战，我们人工构建了一个名为FineGPR的带细粒度属性标注的大规模行人数据集。此外，为充分挖掘FineGPR潜力并促进从数百万合成数据的高效训练，我们提出称为AOST的属性分析流程，其动态学习真实域中的属性分布，进而消除合成与真实世界数据间的鸿沟，从而可自由部署至新场景。在基准上的实验表明，结合AOST的FineGPR优于（或与）现有真实与合成数据集相当，这暗示其对重识别任务的可行性并印证了俗语“少即是多”的原则。我们的合成FineGPR数据集公开于 https://github.com/JeremyXSC/FineGPR。
引用
@article{arxiv.2109.10498,
title = {Less is More: Learning from Synthetic Data with Fine-grained Attributes for Person Re-Identification},
author = {Suncheng Xiang and Guanjie You and Mengyuan Guan and Hao Chen and Binjie Yan and Ting Liu and Yuzhuo Fu},
journal= {arXiv preprint arXiv:2109.10498},
year = {2021}
}
备注
21 pages with supplementary material