深度行人重识别模型的心理物理学评估
计算机视觉与模式识别
2020-05-06 v1
摘要
行人重识别（ReID）是在不同时间和相机视角下持续识别同一个体的任务。行人重识别研究者及其 GPU 投入巨大精力，提出新颖算法、挑战性数据集和易用工具，成功提升了标准指标上的结果。然而，生物识别、监控和自动驾驶领域的实践者并未获得反映这些指标的收益。不同的检测结果、轻微遮挡、视角变化以及其他平凡的扰动，使得最优秀的神经网络几乎毫无用处。本文做出两项贡献。首先，我们将 ReID 社区引入计算机视觉研究中一个新兴的模型评估领域。通过借鉴心理学中既定的心理物理学评估原则，我们能够量化性能退化，并启动旨在提升行人 ReID 模型实用性的研究，而不仅仅是其在测试集上的性能。其次，我们引入 NuscenesReID，一个具有挑战性的新 ReID 数据集，旨在反映使用 ReID 算法的真实世界自动驾驶车辆条件。我们表明，尽管大多数模型在现有 ReID 数据集上表现良好，但它们对合成增强或更真实的 NuscenesReID 数据并不鲁棒。
引用
@article{arxiv.2005.02136,
title = {Psychophysical Evaluation of Deep Re-Identification Models},
author = {Hamish Nicholson},
journal= {arXiv preprint arXiv:2005.02136},
year = {2020}
}
备注
Submitted as a senior thesis at Harvard College