基于多视角知识蒸馏的鲁棒重识别
计算机视觉与模式识别
2020-07-09 v1 机器学习
摘要
为实现重识别(Re-Identification)中的鲁棒性，标准方法以视频到视频(Video-To-Video)的方式利用跟踪信息。然而，这些方案在单图像查询(例如图像到视频(Image-To-Video)设定)时性能大幅下降。近期工作通过将基于视频的网络中的时序信息迁移到基于图像的网络上来解决这一严重退化。在本工作中，我们设计了一种训练策略，能够迁移源自一组描绘目标对象的视角所生成的更优知识。我们的方案——视角知识蒸馏(Views Knowledge Distillation, VKD)——将这种视觉多样性作为教师-学生框架中的监督信号，其中教师指导一个观察到更少视角的学生。结果表明，该学生不仅超越其教师，而且以较大优势(在 MARS 上 mAP 提升 6.3%，在 Duke-Video-ReId 上提升 8.6%，在 VeRi-776 上提升 5%)超越当前图像到视频设定的最优方法。一项针对行人、车辆与动物重识别的深入分析从定性与定量角度研究了 VKD 的性质。代码见 https://github.com/aimagelab/VKD。
引用
@article{arxiv.2007.04174,
title = {Robust Re-Identification by Multiple Views Knowledge Distillation},
author = {Angelo Porrello and Luca Bergamini and Simone Calderara},
journal= {arXiv preprint arXiv:2007.04174},
year = {2020}
}
备注
Accepted by ECCV 2020