面向含对抗样本的一次性行人重识别的渐进式样本挖掘与表示学习
计算机视觉与模式识别
2022-01-21 v1
摘要
在本文中，我们旨在解决一次性行人重识别问题，其中每个人仅有一张图像被标注，而其他图像未标注。由于缺少充足的标注训练数据，该任务具有挑战性。为解决这个问题，我们提出迭代地为未标注图像样本猜测伪标签，随后这些伪标签与标注样本一起用于更新重识别模型。设计了一种新的采样机制，基于距离矩阵选择未标注样本作为伪标注样本，并形成包含标注样本与伪标注样本的训练三元组批次。我们还设计了HSoften-Triplet-Loss，考虑到伪标注样本不可靠的性质，以软化错误伪标签的负面影响。最后，我们部署了一种对抗学习方法来将图像样本扩展到不同相机视角。我们的实验表明，我们的框架在Market-1501（mAP 42.7%）和DukeMTMC-Reid数据集（mAP 40.3%）上取得了新的一次性Re-ID最优性能。代码将很快公开。
引用
@article{arxiv.1911.00666,
title = {Progressive Sample Mining and Representation Learning for One-Shot Person Re-identification with Adversarial Samples},
author = {Hui Li and Jimin Xiao and Mingjie Sun and Eng Gee Lim and Yao Zhao},
journal= {arXiv preprint arXiv:1911.00666},
year = {2022}
}