PartMix：用于可见光-红外行人重识别中部件发现的正则化策略
计算机视觉与模式识别
2023-04-05 v1
摘要
现代基于混合的数据增强技术可在多种计算机视觉应用中正则化模型以免过拟合训练数据，但针对基于部件的可见光-红外行人重识别（VI-ReID）模型的恰当数据增强技术仍未被探索。本文提出一种新颖的数据增强技术，称为 PartMix，它通过跨模态混合部件描述子来合成增强样本，以提升基于部件的 VI-ReID 模型的性能。特别地，我们在相同身份内和不同身份间合成正样本与负样本，并通过对比学习正则化骨干模型。此外，我们还提出一种基于熵的挖掘策略，以削弱不可靠正负样本的不利影响。当融入现有基于部件的 VI-ReID 模型时，PartMix 一致地提升了性能。我们开展实验以证明我们的 PartMix 相对于现有 VI-ReID 方法的有效性，并给出消融研究。
引用
@article{arxiv.2304.01537,
title = {PartMix: Regularization Strategy to Learn Part Discovery for Visible-Infrared Person Re-identification},
author = {Minsu Kim and Seungryong Kim and JungIn Park and Seongheon Park and Kwanghoon Sohn},
journal= {arXiv preprint arXiv:2304.01537},
year = {2023}
}
备注
CVPR 2023