通过退化不变性学习实现真实场景行人重识别
计算机视觉与模式识别
2020-04-13 v1
摘要
真实场景中的行人重识别（Re-ID）通常受到各种退化因素的影响，例如低分辨率、弱光照、模糊和恶劣天气。一方面，这些退化导致严重的判别信息丢失，显著阻碍身份表示学习；另一方面，由低级视觉变化引起的特征失配问题极大降低了检索性能。该问题的一个直观解决方案是利用低级图像复原方法改善图像质量。然而，由于各种局限，现有复原方法无法直接服务于真实世界Re-ID，例如需要参考样本、合成与真实间的域差距，以及低级与高级方法间的不兼容。本文中，为解决上述问题，我们提出一种面向真实世界行人Re-ID的退化不变性学习框架。通过引入自监督解耦表示学习策略，我们的方法能够在无需额外监督的情况下，同时提取身份相关的鲁棒特征并去除真实世界退化。我们以低分辨率图像作为主要示例，实验表明我们的方法在多个Re-ID基准上能够达到最先进（SOTA）性能。此外，我们的框架仅需少量修改即可轻松扩展到其他真实世界退化因素，如弱光照。
引用
@article{arxiv.2004.04933,
title = {Real-world Person Re-Identification via Degradation Invariance Learning},
author = {Yukun Huang and Zheng-Jun Zha and Xueyang Fu and Richang Hong and Liang Li},
journal= {arXiv preprint arXiv:2004.04933},
year = {2020}
}
备注
To appear in CVPR2020