以一驭多：为可泛化 ReID 模型筛选可泛化样本
计算机视觉与模式识别
2020-12-14 v2 人工智能
摘要
现有行人重识别（ReID）模型的当前训练目标仅保证模型在所选训练批次上的损失下降，而不考虑批次外样本上的性能。这不可避免地导致模型过拟合于占据主导地位的数据（例如不平衡类别中的头部数据、易样本或含噪样本）。最新的重采样方法通过设计特定准则来选取特定样本，使模型对某一类数据（例如难样本、尾部数据）更具泛化性，无法适应真实世界中不一致 ReID 数据分布。因此，本文不是简单假定哪些样本可泛化，而是提出一种以一驭多的训练目标，直接将所选样本的泛化能力作为损失函数，并学习一个采样器来自动选取可泛化样本。更重要的是，我们提出的基于以一驭多的采样器可无缝集成到 ReID 训练框架中，能够以端到端方式同时训练 ReID 模型与采样器。实验结果表明，我们的方法能有效改进 ReID 模型训练并提升 ReID 模型性能。
引用
@article{arxiv.2012.05475,
title = {One for More: Selecting Generalizable Samples for Generalizable ReID Model},
author = {Enwei Zhang and Xinyang Jiang and Hao Cheng and Ancong Wu and Fufu Yu and Ke Li and Xiaowei Guo and Feng Zheng and Wei-Shi Zheng and Xing Sun},
journal= {arXiv preprint arXiv:2012.05475},
year = {2020}
}