ReMix：在数据混合上的通用人体重识别训练
计算机视觉与模式识别
2024-10-30 v1 人工智能
机器学习
摘要
现代的人体重识别（Re-ID）方法泛化能力较弱，在环境变化时准确率会显著下降。这是因为现有的多摄像头Re-ID数据集规模和多样性有限，因为此类数据难以获取。同时，大量未标记的单摄像头记录是可得的。这种数据易于收集，因此更加多样化。当前，单摄像头数据仅用于Re-ID方法的自监督预训练。然而，单摄像头数据的多样性在在多摄像头数据上的微调后会被抑制。本文提出了ReMix，一种在有限标记的多摄像头数据与大规模未标记单摄像头数据混合训练的通用Re-ID方法。通过新颖的数据抽样策略和针对两种类型数据联合使用的损失函数，我们实现了有效的训练。实验表明，ReMix具有良好的泛化能力，在通用人体重识别中超越了当前的SOTA方法。到目前为止，唯一一项尚未开展的工作是探索在多摄像头和单摄像头数据混合上的联合训练。
引用
@article{arxiv.2410.21938,
title = {ReMix: Training Generalized Person Re-identification on a Mixture of Data},
author = {Timur Mamedov and Anton Konushin and Vadim Konushin},
journal= {arXiv preprint arXiv:2410.21938},
year = {2024}
}
备注
Accepted by WACV 2025