用于可泛化行人重识别的元批-实例归一化
计算机视觉与模式识别
2021-03-30 v2
摘要
尽管有监督行人重识别（Re-ID）方法已展现出令人印象深刻的性能，但其在未见过域上的泛化能力较差。因此，可泛化Re-ID近来吸引了越来越多的关注。许多现有方法采用实例归一化技术以减少风格变化，但判别性信息的损失无法避免。本文中，我们提出了一种新颖的可泛化Re-ID框架，名为元批-实例归一化（MetaBIN）。我们的主要思想是通过在元学习流程中预先模拟不成功的泛化场景来泛化归一化层。为此，我们将可学习的批-实例归一化层与元学习相结合，并研究由批与实例归一化层共同导致的挑战性情形。此外，我们通过伴随循环内更新方式的元训练损失来多样化虚拟模拟，以提升泛化能力。最终，MetaBIN框架防止我们的模型过拟合于给定源风格，并在无需额外数据增强或复杂网络设计的情况下改善了对未见过域的泛化能力。广泛的实验结果表明，我们的模型在大规模域泛化Re-ID基准与跨域Re-ID问题上均优于最先进（SOTA）方法。源代码见：https://github.com/bismex/MetaBIN。
引用
@article{arxiv.2011.14670,
title = {Meta Batch-Instance Normalization for Generalizable Person Re-Identification},
author = {Seokeon Choi and Taekyung Kim and Minki Jeong and Hyoungseob Park and Changick Kim},
journal= {arXiv preprint arXiv:2011.14670},
year = {2021}
}
备注
CVPR 2021