用于无监督跨数据集行人重识别的多任务中层特征对齐网络
计算机视觉与模式识别
2018-07-12 v2
摘要
大多数现有行人重识别(Re-ID)方法遵循有监督学习框架，其训练需要大量标注匹配对。这种设定严重限制了它们在真实应用中的可扩展性，因为训练阶段没有可用标注样本。为克服此限制，我们为无监督跨数据集行人重识别任务开发了一种新型无监督多任务中层特征对齐(MMFA)网络。在源数据集和目标数据集共享同一组中层语义属性的假设下，我们提出的模型可在行人身份分类和属性学习任务下联合优化，并带有跨数据集中层特征对齐正则化项。如此，学到的特征表示能更好地从一个数据集泛化到另一个数据集，进而提升行人重识别准确率。在四个基准数据集上的实验结果表明，我们提出的方法优于当前最优基线。
引用
@article{arxiv.1807.01440,
title = {Multi-task Mid-level Feature Alignment Network for Unsupervised Cross-Dataset Person Re-Identification},
author = {Shan Lin and Haoliang Li and Chang-Tsun Li and Alex Chichung Kot},
journal= {arXiv preprint arXiv:1807.01440},
year = {2018}
}
备注
Accepted by BMVC 2018 as Spotlight