用于行人重识别的互蒸馏学习
计算机视觉与模式识别
2024-01-15 v1
摘要
随着深度学习技术的快速发展，行人重识别（ReID）取得了显著的性能提升。然而，大多数先前的工作传统上专注于从单一视角提取特征来解决问题，例如均匀划分、硬注意力机制或语义掩码。虽然这些方法在特定情境下已被证明有效，但它们在多样化场景中表现不足。在本文中，我们提出了一种新方法，用于行人重识别的互蒸馏学习（称为MDPR），该方法在单一统一模型内从多个视角解决这一挑战性问题，利用互蒸馏的力量共同增强特征表示。具体而言，我们的方法包含两个分支：一个硬内容分支，通过均匀水平划分策略提取局部特征；以及一个软内容分支，通过精心设计的注意力机制动态区分前景和背景，并促进多粒度特征的提取。为了促进这两个分支之间的知识交换，采用了互蒸馏和融合过程，提升了每个分支输出的能力。在广泛使用的行人ReID数据集上进行了大量实验，以验证我们方法的有效性和优越性。值得注意的是，我们的方法在DukeMTMC-reID数据集上的mAP/Rank-1达到了惊人的，超越了当前的最先进结果。我们的源代码可在https://github.com/KuilongCui/MDPR获取。
引用
@article{arxiv.2401.06430,
title = {Mutual Distillation Learning For Person Re-Identification},
author = {Huiyuan Fu and Kuilong Cui and Chuanming Wang and Mengshi Qi and Huadong Ma},
journal= {arXiv preprint arXiv:2401.06430},
year = {2024}
}