面向可泛化行人重识别的风格交织学习
计算机视觉与模式识别
2023-06-09 v3
摘要
行人重识别（ReID）的领域泛化（DG）是一个具有挑战性的问题，因为在训练过程中不允许访问目标域数据。大多数现有的 DG ReID 方法基于相同的特征来更新特征提取器和分类器参数。这种常见做法导致模型过拟合于源域中现有的特征风格，从而在目标域上产生次优的泛化能力。为了解决这个问题，我们提出了一种新颖的风格交织学习（IL）框架。与传统的学习策略不同，IL 在每次迭代中包含两次前向传播和一次反向传播。我们利用交织风格的特征，通过不同的前向传播来更新特征提取器和分类器，这有助于防止模型过拟合于某些域风格。为了生成交织的特征风格，我们进一步提出了一种新的特征风格化方法。它能够产生广泛而有意义的风格，这些风格既不同于源域中的原始风格，又独立于它们，从而迎合了 IL 方法论。大量的实验结果表明，我们的模型不仅在 DG ReID 的大规模基准测试中持续优于最先进的方法，而且在计算效率方面也具有明显的优势。代码可在 https://github.com/WentaoTan/Interleaved-Learning 获取。
引用
@article{arxiv.2207.03132,
title = {Style Interleaved Learning for Generalizable Person Re-identification},
author = {Wentao Tan and Changxing Ding and Pengfei Wang and Mingming Gong and Kui Jia},
journal= {arXiv preprint arXiv:2207.03132},
year = {2023}
}
备注
accepted version to IEEE Transactions on Multimedia