通过主-辅目标关联缓解域偏移以提升行人重识别泛化能力
计算机视觉与模式识别
2023-10-25 v1
摘要
尽管深度学习在独立同分布（IID）假设下显著提升了ReID模型的精度，但事实也表明，由于不可预测/未知的域偏移，此类模型在应用于未见新域时会明显退化。当代域泛化（DG）ReID模型仅通过实例分类目标进行训练，难以学习域不变表征。我们认为，深度学习模型深受域特定特征（如背景杂波、尺度与视角变化）的影响并因此产生偏置，限制了所学模型的泛化能力，并假设行人因共享相同结构特征而为域不变。为使ReID模型从这些纯行人中减少域特定性，我们引入一种方法，通过并发的弱标记行人显著性检测辅助学习目标来引导模型学习主ReID实例分类目标。为解决两个学习目标在模型参数空间中优化准则冲突的问题，我们提出主-辅目标关联（PAOA）机制，以将辅助任务的损失梯度校准至主学习任务梯度。得益于和谐的多任务学习设计，我们的模型可结合近期测试时图（test-time diagram）扩展为PAOA+，其针对辅助目标进行即时优化，以最大化模型在测试目标域中的生成能力。实验证明了所提PAOA模型的优越性。
引用
@article{arxiv.2310.15913,
title = {Mitigate Domain Shift by Primary-Auxiliary Objectives Association for Generalizing Person ReID},
author = {Qilei Li and Shaogang Gong},
journal= {arXiv preprint arXiv:2310.15913},
year = {2023}
}
备注
Accepted to WACV2024