用于弥合域差距的行人迁移 GAN（Person Transfer GAN）
计算机视觉与模式识别
2018-06-26 v2
摘要
尽管行人重识别（ReID）的性能已显著提升，但真实场景中的许多挑战性问题尚未得到充分研究，例如复杂场景与光照变化、视角与姿态变化，以及摄像机网络中大量的身份。为推动攻克这些问题的研究，本文贡献了一个名为 MSMT17 的新数据集，其具有许多重要特征：1）原始视频由一个部署在室内外场景的 15 摄像机网络拍摄；2）视频覆盖较长时间段并呈现复杂光照变化；3）其包含目前最大数量的标注身份，即 4,101 个身份和 126,441 个边界框。我们还观察到，数据集之间普遍存在的域差距（domain gap）本质上会导致在不同数据集上训练和测试时性能严重下降。这导致已有的训练数据无法有效用于新的测试域。为缓解标注新训练样本的高昂成本，我们提出了一种行人迁移生成对抗网络（PTGAN）来弥合域差距。综合实验表明，域差距可通过 PTGAN 大幅缩小。
引用
@article{arxiv.1711.08565,
title = {Person Transfer GAN to Bridge Domain Gap for Person Re-Identification},
author = {Longhui Wei and Shiliang Zhang and Wen Gao and Qi Tian},
journal= {arXiv preprint arXiv:1711.08565},
year = {2018}
}
备注
10 pages, 9 figures; accepted in CVPR 2018