面向时间分布偏移的行人重识别测试时相似度修正

行人重识别(re-id)旨在从数据库中检索给定图像中同一人物的图像,是最具实用价值的图像识别应用之一。然而在现实世界中,图像采集环境会随时间变化,这会导致训练与测试之间产生分布偏移,从而降低重识别性能。为保持重识别性能,模型应持续适应测试环境的时间变化。测试时自适应(TTA)旨在仅使用无标签测试数据使模型适应测试环境,是处理该问题的一种有前景的方法,因为 TTA 能够在测试环境中即时调整模型。然而,现有的 TTA 方法是为分类任务设计的,无法直接应用于重识别。这是因为重识别中数据集的人物身份集合在训练与测试之间不同,而现有面向分类的 TTA 方法假设类别集合固定。为提升重识别在变化测试环境下的性能,我们提出了面向行人重识别的测试时相似度修正方法 TEMP(Test-time similarity Modification for Person re-identification),一种全新的重识别 TTA 方法。TEMP 是首个完全意义上的重识别 TTA 方法,无需对预训练做任何修改。受分类任务中通过细化预测不确定性来提升性能的 TTA 方法启发,我们旨在细化重识别中的不确定性。然而,由于重识别是开放集任务,训练与测试之间不共享人物标签,因此其不确定性无法以与分类相同的方式计算。为此,我们提出了 re-id 熵,一种基于特征向量之间相似度计算的重识别替代性不确定性度量。实验表明,re-id 熵能够有效度量重识别中的不确定性,且在分布随时间变化的在线场景下,TEMP 能够提升重识别的性能。