面向行人重识别的保相似度图像-图像域自适应
计算机视觉与模式识别
2020-01-08 v2
摘要
本文在“通过翻译学习”框架下研究行人重识别（re-ID）中的域自适应问题，该框架由两部分组成：1) 以无监督方式将源域带标注图像翻译至目标域，2) 利用翻译后的图像学习 re-ID 模型。其目标是在图像翻译后保留底层的人体身份信息，从而使带标签的翻译图像能有效用于目标域上的特征学习。为此，我们提出了保相似度生成对抗网络（SPGAN）及其端到端可训练版本 eSPGAN。两者均以保相似度为目标，SPGAN 通过启发式约束强制该性质，而 eSPGAN 则通过最优地促进 re-ID 模型学习来实现。更具体地，SPGAN 分别承担“通过翻译学习”框架中的两个组件：它首先保留两类无监督相似度，即图像翻译前后的自相似度，以及翻译后源图像与目标图像的域间不相似度；随后使用现有网络学习 re-ID 模型。相比之下，eSPGAN 将图像翻译与 re-ID 模型学习无缝集成。在 eSPGAN 的端到端训练中，re-ID 学习引导图像翻译以保留图像的底层身份信息，同时图像翻译通过提供目标域风格的保身份训练样本改进 re-ID 学习。实验中，我们表明 SPGAN 与 eSPGAN 生成的伪图像身份得到了良好保留。基于此，我们在两个大规模行人 re-ID 数据集上报告了新的最先进域自适应结果。
引用
@article{arxiv.1811.10551,
title = {Similarity-preserving Image-image Domain Adaptation for Person Re-identification},
author = {Weijian Deng and Liang Zheng and Qixiang Ye and Yi Yang and Jianbin Jiao},
journal= {arXiv preprint arXiv:1811.10551},
year = {2020}
}
备注
14 pages, 7 tables, 14 figures, this version is not fully edited and will be updated soon. arXiv admin note: text overlap with arXiv:1711.07027