面向行人重识别的多域联合训练
计算机视觉与模式识别
2022-01-07 v1
摘要
基于深度学习的行人重识别(ReID)往往需要大量训练数据以获得良好性能。因此，从多样环境中收集更多训练数据似乎能提升 ReID 性能。本文重新审视这一普遍看法，并得出一个有些令人惊讶的观察：使用更多样本，即利用多个数据集的样本进行训练，在使用流行的 ReID 模型时未必带来更好性能。在某些情况下，若评估在其中一个数据集上进行，用更多样本训练甚至可能损害性能。我们假定该现象源于标准网络难以适应多样环境。为克服此问题，我们提出一种称为域-相机-样本动态网络(DCSD)的方法，其参数可适应各类因素。具体而言，我们考虑可从输入特征辨识的内部域相关因素，以及外部域相关因素，如域信息或相机信息。我们的发现是，使用此种自适应模型训练能更好地从更多训练样本中获益。实验结果表明，在多个数据集联合训练时，我们的 DCSD 能大幅提升性能(最高达 12.3%)。
引用
@article{arxiv.2201.01983,
title = {Multi-Domain Joint Training for Person Re-Identification},
author = {Lu Yang and Lingqiao Liu and Yunlong Wang and Peng Wang and Yanning Zhang},
journal= {arXiv preprint arXiv:2201.01983},
year = {2022}
}