基于相机批归一化重新思考行人重识别的分布差异
计算机视觉与模式识别
2020-07-21 v3
摘要
行人重识别(ReID)的根本困难在于学习各个相机间的对应关系。它强烈需求昂贵的跨相机标注,然而训练出的模型并不能保证很好地迁移到先前未见的相机上。这些问题严重限制了ReID的应用。本文重新思考了常规ReID方法的工作机制,并提出了一种新的解决方案。借助一个名为基于相机的批归一化(CBN)的有效算子,我们强制所有相机的图像数据落入同一子空间,从而任意相机对之间的分布差异被大幅缩小。这种对齐带来两点益处。第一,训练出的模型享有更好的泛化能力,可泛化至含未见相机的场景,以及跨多个训练集迁移。第二,我们可以依赖相机内标注——其因缺乏跨相机信息此前被低估——来达到有竞争力的ReID性能。在广泛ReID任务上的实验证明了我们方法的有效性。代码见https://github.com/automan000/Camera-based-Person-ReID。
引用
@article{arxiv.2001.08680,
title = {Rethinking the Distribution Gap of Person Re-identification with Camera-based Batch Normalization},
author = {Zijie Zhuang and Longhui Wei and Lingxi Xie and Tianyu Zhang and Hengheng Zhang and Haozhe Wu and Haizhou Ai and Qi Tian},
journal= {arXiv preprint arXiv:2001.08680},
year = {2020}
}