面向一次学习行人重识别的自步不确定性估计
计算机视觉与模式识别
2021-04-20 v1
摘要
一次学习（one-shot）行人重识别（Person Re-ID）场景在构建从 到 的预测模型时面临两类不确定性。其一是模型不确定性，它刻画了由于训练数据缺乏而导致的深度神经网络（DNN）中参数的噪声。其二是数据不确定性，它可分为两个子类：一是图像噪声，其中严重的遮挡和复杂背景包含了与身份无关的信息；二是标签噪声，其中错误标注影响了视觉外观学习。本文为应对这些问题，提出了一种新颖的自步不确定性估计网络（SPUE-Net）用于一次学习行人重识别。通过引入自步采样策略，我们的方法能够迭代地估计未标注样本的伪标签，逐步扩充标注样本，并在无额外监督的情况下消除模型不确定性。我们将伪标签样本划分为两个子集，使训练样本的使用更合理有效。此外，我们采用了局部不确定性估计与确定性估计相结合的协同学习方法，以实现更好的隐空间特征挖掘并提升所选伪标签样本的精度，从而降低数据不确定性。在基于视频和基于图像的数据集上大量的对比评估实验表明，SPUE-Net 相比当前最优（state-of-the-art）方法具有显著优势。
引用
@article{arxiv.2104.09152,
title = {Self-Paced Uncertainty Estimation for One-shot Person Re-Identification},
author = {Yulin Zhang and Bo Ma and Longyao Liu and Xin Yi},
journal= {arXiv preprint arXiv:2104.09152},
year = {2021}
}