面向行人重识别的稀疏标签平滑正则化
计算机视觉与模式识别
2019-03-06 v3
摘要
行人重识别(re-id)是一项跨摄像头检索任务，旨在建立来自多个摄像头的同一行人图像之间的对应关系。深度学习方法已成功应用于该问题并取得了令人印象深刻的成果。然而，这些方法需要大量带标签的训练数据。当前行人重识别的标注数据集规模有限，而从监控摄像头人工获取此类大规模数据集是一项繁琐且劳动密集的任务。本文提出一种框架，执行智能数据增强并为生成数据分配部分平滑标签。我们的方法首先利用现有行人重识别数据集的聚类特性，创建建模跨视角变化的相似对象组。随后每组通过对抗训练生成逼真图像。我们的目标在于强调生成样本与原始样本之间的特征相似性。最后，我们为生成样本分配非均匀标签分布，并定义用于训练的正则化损失函数。所提方法解决了两个问题：(1) 如何高效利用生成数据；(2) 如何解决当前正则化方法中存在的过平滑问题。在四个大规模数据集上的大量实验表明，与现有方法相比，我们的正则化方法显著提升了重识别准确率。
引用
@article{arxiv.1809.04976,
title = {Sparse Label Smoothing Regularization for Person Re-Identification},
author = {Jean-Paul Ainam and Ke Qin and Guisong Liu and Guangchun Luo},
journal= {arXiv preprint arXiv:1809.04976},
year = {2019}
}
备注
13 pages, 6 figures