基于主动难样本挖掘的人员重识别
计算机视觉与模式识别
2020-04-15 v2
摘要
标注大规模图像数据集十分繁琐，但对训练人员重识别模型却是必要的。为缓解该问题，我们提出了一种主动难样本挖掘框架，以最少的标注代价训练有效的重识别（re-ID）模型。考虑到难样本能提供信息丰富的模式，我们首先制定不确定性估计以主动选择难样本，从而从头迭代训练重识别模型。随后，设计类内多样性估计，通过最大化多样性来减少冗余的难样本。此外，我们提出一个嵌入在主动难样本挖掘框架中的计算机辅助身份推荐模块，以帮助人工标注者快速且准确地标注所选样本。我们在多个公开数据集上进行了大量实验以证明方法的有效性。实验结果表明，我们的方法在 Market1501、MSMT17 和 CUHK03 上分别减少了 57%、63% 和 49% 的标注代价，同时最大化了重识别模型的性能。
引用
@article{arxiv.2004.04912,
title = {Person Re-Identification via Active Hard Sample Mining},
author = {Xin Xu and Lei Liu and Weifeng Liu and Meng Wang and Ruimin Hu},
journal= {arXiv preprint arXiv:2004.04912},
year = {2020}
}