面向行人重识别的多域对抗特征泛化
计算机视觉与模式识别
2021-02-03 v1
摘要
借助应用于单一标注数据集的精细训练方法，全监督行人重识别（Person Re-ID）的性能近年来显著提升。然而，这些在单一数据集上训练的模型在应用于不同摄像机网络的视频时通常会出现明显的性能下降。为使行人重识别系统更具实用性与可扩展性，已有若干跨数据集域自适应方法被提出，其在无需目标域标注数据的情况下取得了高性能。但这些方法在训练过程中仍需要目标域的无标注数据，因而并不实用。一个在其他数据集上预训练的实用行人重识别系统，应在部署到新站点后立即运行，而无需等待收集到足够图像或视频并微调预训练模型。为此，本文将行人重识别重新表述为多数据集域泛化问题。我们提出一种多数据集特征泛化网络（MMFA-AAE），能够从多个标注数据集中学习通用的域不变特征表示，并将其泛化到“未见过”的摄像机系统。该网络基于对抗自编码器学习广义域不变潜特征表示，并利用最大均值差异（MMD）度量对齐多域分布。大量实验证明了所提方法的有效性。我们的 MMFA-AAE 方法不仅优于大多数域泛化行人重识别方法，还大幅超越了诸多最先进的监督方法与无监督域自适应方法。
引用
@article{arxiv.2011.12563,
title = {Multi-Domain Adversarial Feature Generalization for Person Re-Identification},
author = {Shan Lin and Chang-Tsun Li and Alex C. Kot},
journal= {arXiv preprint arXiv:2011.12563},
year = {2021}
}
备注
TIP (Accept with Mandatory Minor Revisions)