PRSNet：一种掩码自监督学习的行人重识别方法
计算机视觉与模式识别
2023-03-14 v1
摘要
近年来，自监督学习引发了广泛的学术讨论，并解决了计算机视觉的诸多关键问题。当前研究焦点在于如何构建良好的代理任务，使网络更好地学习图像的高级语义信息，从而在当下任务预训练时加速模型推理。为解决现有特征提取网络在ImageNet数据集上预训练、难以充分提取行人图像细粒度信息，且现有对比自监督学习的预任务可能破坏行人图像原有属性的问题，本文设计了一种掩码重建的预任务以获得强鲁棒性的预训练模型，并将其用于行人重识别任务。网络训练优化通过改进基于质心的三元组损失实现，并将掩码图像作为额外样本加入损失计算，使网络训练完成后能更好应对实际应用中的行人匹配。该方法在Marker1501与CUHK03数据上的mAP比现有自监督学习行人重识别方法高出约5%，Rank1高出约1%，并进行了消融实验证明本方法可行性。我们的模型代码位于 https://github.com/ZJieX/prsnet。
引用
@article{arxiv.2303.06330,
title = {PRSNet: A Masked Self-Supervised Learning Pedestrian Re-Identification Method},
author = {Zhijie Xiao and Zhicheng Dong and Hao Xiang},
journal= {arXiv preprint arXiv:2303.06330},
year = {2023}
}