PAC-GAN：一种用于无监督跨视角行人重识别的有效姿态增强方案
计算机视觉与模式识别
2019-06-06 v1
摘要
行人重识别（person Re-Id）旨在检索由互不相交且无重叠相机所捕获的同一人的行人图像。近期众多研究者关注这一热点问题，并提出基于深度学习的方法以有监督或无监督方式提升识别率。然而，有两个不可忽视的局限：首先，相较于其他图像检索基准，现有行人 Re-Id 数据集规模远不能满足需求，无法为深度模型训练提供充足行人样本；其次，现有数据集中的样本未充分覆盖人体动作或姿态，难以提供更多先验知识用于学习。本文引入一种称为 PAC-GAN 的新型无监督姿态增强跨视角行人 Re-Id 方案以克服这些局限。我们首先给出跨视角姿态增强的形式化定义，随后提出 PAC-GAN 框架，这是一种基于条件生成对抗网络（CGAN）的新方法来提升无监督跨视角行人 Re-Id 性能。具体而言，PAC-GAN 中称为 CPG-Net 的姿态生成模型从原始图像与骨架样本生成足量富含姿态的样本。将合成的富含姿态样本与原始样本结合产生姿态增强数据集，并输入名为 Cross-GAN 的跨视角行人 Re-Id 模型。此外，我们在 CPG-Net 中使用权重共享策略以提升新生成样本的质量。据我们所知，我们首次尝试通过姿态增强增强无监督跨视角行人 Re-Id，且大量实验结果表明所提方案可媲美当前最优（state-of-the-arts）。
引用
@article{arxiv.1906.01792,
title = {PAC-GAN: An Effective Pose Augmentation Scheme for Unsupervised Cross-View Person Re-identification},
author = {Chengyuan Zhang and Lei Zhu and Shichao Zhang},
journal= {arXiv preprint arXiv:1906.01792},
year = {2019}
}
备注
32 pages