RLE：跨光谱再识别的数据增强统一视角
计算机视觉与模式识别
2024-11-05 v1
摘要
本文在建模跨光谱再识别任务中的模态差异方面迈出了一步。基于Lambertian模型，我们观察到非线性的模态差异主要来自作用于不同材料表面的多样化线性变换。从这一视角出发，我们通过模仿这种局部线性变换，将跨光谱再识别的所有数据增强策略统一起来，并将其分类为适度变换和激进变换。通过扩展这一观察，我们提出了一种随机线性增强（RLE）策略，包括适度随机线性增强（MRLE）和激进随机线性增强（RRLE），以突破两种变换类型的边界。适度随机线性增强旨在在约束条件下提供满足原始线性相关性的多样化图像变换，而激进随机线性增强则寻求在不依赖外部信息的情况下直接生成局部线性变换。实验结果不仅展示了RLE的优越性和有效性，还证实了其作为跨光谱再识别通用数据增强的巨大潜力。代码可在 \textcolor{magenta}{\url{https://github.com/stone96123/RLE}} 获取。
引用
@article{arxiv.2411.01225,
title = {RLE: A Unified Perspective of Data Augmentation for Cross-Spectral Re-identification},
author = {Lei Tan and Yukang Zhang and Keke Han and Pingyang Dai and Yan Zhang and Yongjian Wu and Rongrong Ji},
journal= {arXiv preprint arXiv:2411.01225},
year = {2024}
}
备注
Accepted to NeurIPS 2024