用于可泛化行人重识别的风格归一化与复原
计算机视觉与模式识别
2020-05-25 v1
摘要
现有的全监督行人重识别（ReID）方法通常因域间隙而泛化能力较差。解决该问题的关键在于滤除与身份无关的干扰并学习域不变的行人表征。本文旨在设计一个可泛化的行人 ReID 框架，其在源域上训练模型却能在目标域上良好地泛化/表现。为实现该目标，我们提出了一种简单而有效的风格归一化与复原（SNR）模块。具体而言，我们通过实例归一化（IN）滤除风格变化（如光照、色彩对比度）。然而，此过程不可避免地移除了判别信息。我们提出从被移除的信息中蒸馏出与身份相关的特征并将其复原至网络以保证高判别性。为更好地解耦，我们在 SNR 中施加双重因果损失约束以鼓励身份相关特征与身份无关特征的分离。大量实验证明了我们框架强大的泛化能力。由 SNR 模块增强的模型在多个广泛使用的行人 ReID 基准上显著优于最先进的域泛化方法，并在无监督域适应上也展现出优越性。
引用
@article{arxiv.2005.11037,
title = {Style Normalization and Restitution for Generalizable Person Re-identification},
author = {Xin Jin and Cuiling Lan and Wenjun Zeng and Zhibo Chen and Li Zhang},
journal= {arXiv preprint arXiv:2005.11037},
year = {2020}
}
备注
Accepted by CVPR2020