超越真实世界源训练数据：用于可泛化行人重识别的随机三维角色
计算机视觉与模式识别
2020-08-17 v2
摘要
近年来，行人重识别取得了显著进展。然而，所学模型对未知目标域的泛化能力仍然有限。造成这一现象的一个可能原因是缺乏大规模且多样化的源训练数据，因为人工标注此类数据集成本高昂且涉及隐私问题。为此，我们提出自动合成一个大规模行人重识别数据集，其设置类似于真实监控但采用虚拟环境，随后利用合成的行人图像训练可泛化的行人重识别模型。具体而言，我们设计了一种方法生成大量随机 UV 纹理贴图，并用其创建不同的三维服装模型。接着，开发了一套自动代码，随机生成具有不同服装、种族和属性的各类三维角色。随后，我们使用 Unity3D 模拟若干不同的虚拟环境，配备类似真实监控系统的定制摄像机网络，并同时导入多个三维角色，使其在摄像机网络中沿不同路径进行多样运动和交互。由此，我们获得了一个名为 RandPerson 的虚拟数据集，包含 8,000 个身份的 1,801,816 张行人图像。通过在合成行人图像上训练行人重识别模型，我们首次证明，在虚拟数据上训练的模型能够很好地泛化到未见过的目标图像，超越了在包括 CUHK03、Market-1501、DukeMTMC-reID 以及几乎 MSMT17 在内的多种真实世界数据集上训练的模型。RandPerson 数据集可在 https://github.com/VideoObjectSearch/RandPerson 获取。
引用
@article{arxiv.2006.12774,
title = {Surpassing Real-World Source Training Data: Random 3D Characters for Generalizable Person Re-Identification},
author = {Yanan Wang and Shengcai Liao and Ling Shao},
journal= {arXiv preprint arXiv:2006.12774},
year = {2020}
}
备注
This is the ACMMM 2020 version, including the appendix