用于深度行人重识别的伪正样本正则化
计算机视觉与模式识别
2017-11-20 v1
摘要
行人重识别（re-ID）的一个内在挑战是标注困难。这通常意味着 1）每个身份的训练样本少，以及 2）因此训练样本之间缺乏多样性。 Consequently，在训练卷积神经网络（CNN）——行人重识别中最先进的方法——时，我们面临较高的过拟合风险。为降低过拟合风险，本文提出一种伪正样本正则化（PPR）方法以丰富训练数据的多样性。具体而言，使用目标训练数据作为查询，从一个独立的行人数据库中检索未标注数据。这些检索到的样本中的一小部分被随机选作伪正样本，并加入到目标训练集中用于有监督的 CNN 训练。因此，伪正样本的加入是一种数据增强方法，用于降低 CNN 训练期间的过拟合风险。我们在识别 CNN 模型（即 CaffeNet、VGGNet-16 和 ResNet-50）中实现了我们的想法。在 CUHK03 和 Market-1501 数据集上，实验结果表明所提方法持续优于基线，并取得了与最先进行人重识别方法相竞争的性能。
引用
@article{arxiv.1711.06500,
title = {Pseudo-positive regularization for deep person re-identification},
author = {Fuqing Zhu and Xiangwei Kong and Haiyan Fu and Qi Tian},
journal= {arXiv preprint arXiv:1711.06500},
year = {2017}
}
备注
12 pages, 6 figures