半监督域泛化行人重识别
计算机视觉与模式识别
2021-09-10 v2
摘要
尽管跨摄像头行人匹配取得成功，现有行人重识别(re-id)方法在部署到新的未知场景时仍陷入困境。近期大量工作致力于域自适应行人重识别，其中以直推式学习利用新场景中大量无标签数据。然而，对于每个场景都需先收集足够数据再训练此类域自适应 re-id 模型，从而限制了其实用性。相反，我们旨在利用多个有标签数据集学习面向行人重识别的泛化域不变表示，期望其对每个新到来的 re-id 场景普遍有效。为追求真实系统的实用性，我们收集该领域所有行人重识别数据集(20个)，并选取三个最常用数据集(即 Market1501、DukeMTMC 和 MSMT17)作为未知目标域。此外，我们开发了 DataHunter，从 YouTube 街景视频中收集超过 300K+ 弱标注图像并命名为 YouTube-Human，其与剩余 17 个全标注数据集共同构成多源域。在此称为 FastHuman(~440K+ 标注图像)的大规模且具有挑战性的基准上，我们进一步提出简洁而有效的半监督知识蒸馏(SSKD)框架。SSKD 通过为 YouTube-Human 分配软伪标签有效利用弱标注数据，提升模型泛化能力。多种协议下的实验验证了所提 SSKD 框架在域泛化行人重识别上的有效性，其甚至可与目标域上的监督学习相媲美。最后且最重要的是，我们希望所提基准 FastHuman 能推动域泛化行人重识别算法的下一发展。
引用
@article{arxiv.2108.05045,
title = {Semi-Supervised Domain Generalizable Person Re-Identification},
author = {Lingxiao He and Wu Liu and Jian Liang and Kecheng Zheng and Xingyu Liao and Peng Cheng and Tao Mei},
journal= {arXiv preprint arXiv:2108.05045},
year = {2021}
}