利用属性下降模拟内容一致的车辆数据集
计算机视觉与模式识别
2020-07-23 v2
摘要
本文使用图形引擎模拟大量带有免费标注的训练数据。在合成数据与现实数据之间，存在两级域差距，即内容级和外观级。尽管后者已被广泛研究，我们专注于减少诸如光照和视角等属性上的内容差距。为降低问题复杂度，我们选择一个更小且更可控的应用，即车辆重识别(re-ID)。我们引入了一个大规模合成数据集 VehicleX。它在 Unity 中创建，包含 1,362 辆具有各种三维模型且属性完全可编辑的车辆。我们提出一种属性下降方法，使 VehicleX 逼近真实世界数据集中的属性。具体而言，我们操纵 VehicleX 中的每个属性，旨在最小化 VehicleX 与真实数据之间在 Fr\'echet Inception Distance (FID) 意义上的差异。该属性下降算法允许内容域适应(DA)与现有外观 DA 方法正交。我们将优化后的 VehicleX 数据与真实世界车辆重识别数据集混合，观察到一致的提升。利用增强的数据集，我们报告了有竞争力的准确率。我们在 https://github.com/yorkeyao/VehicleX 提供了数据集、引擎和我们的代码。
引用
@article{arxiv.1912.08855,
title = {Simulating Content Consistent Vehicle Datasets with Attribute Descent},
author = {Yue Yao and Liang Zheng and Xiaodong Yang and Milind Naphade and Tom Gedeon},
journal= {arXiv preprint arXiv:1912.08855},
year = {2020}
}
备注
Accepted to ECCV2020