基于自适应聚合的模仿嵌入：学习可泛化行人重识别
计算机视觉与模式识别
2022-07-22 v3 人工智能
摘要
域可泛化（DG）行人重识别（ReID）旨在训练时无法访问目标域数据的情况下跨未见域进行测试，这是一个现实但具有挑战性的问题。与假设不同域使用同一模型的方法不同，混合专家（MoE）利用多个特定于域的网络来利用域间的互补信息，取得了令人印象深刻的成果。然而，先前基于 MoE 的 DG ReID 方法随着源域数量的增加而模型规模庞大，且大多数忽视了域不变特性的利用。为解决上述两个问题，本文提出一种用于 DG 行人 ReID 的新方法，称为基于自适应聚合的模仿嵌入（META）。为避免模型规模过大，META 中的专家不为每个源域采用分支网络，而是共享除批归一化层外的所有参数。除多个专家外，META 利用实例归一化（IN）并将其引入全局分支以追求跨域的不变特征。同时，META 通过归一化统计量考虑未见目标样本与源域的相关性，并开发聚合模块来自适应地整合多个专家以模仿未见目标域。得益于所提出的一致性损失和情景训练算法，META 有望为真正未见的目标域模仿嵌入。大量实验验证 META 大幅超越最先进的 DG 行人 ReID 方法。我们的代码可在 https://github.com/xbq1994/META 获取。
引用
@article{arxiv.2112.08684,
title = {Mimic Embedding via Adaptive Aggregation: Learning Generalizable Person Re-identification},
author = {Boqiang Xu and Jian Liang and Lingxiao He and Zhenan Sun},
journal= {arXiv preprint arXiv:2112.08684},
year = {2022}
}
备注
ECCV 2022