面向可泛化行人重识别的双流生成模型
计算机视觉与模式识别
2022-06-28 v2
摘要
可泛化行人重识别（re-ID）因其在未见数据域中的强大适应能力而受到越来越多的关注。然而，现有解决方案往往忽略了跨摄像头差异（如光照和分辨率差异）或行人未对齐问题（如视角和姿态差异），这容易导致在适应新域时泛化能力较差。在本文中，我们将这些困难归纳为：1）摄像头-摄像头（Camera-Camera, CC）问题，指由不同摄像头引起的各种人体外观变化；2）摄像头-行人（Camera-Person, CP）问题，指同一身份行人在不同摄像头视角或姿态变化下造成的行人未对齐。为解决上述问题，我们提出了一种双流生成模型（Bi-stream Generative Model, BGM），用于学习融合了摄像头不变全局特征和行人对齐局部特征的细粒度表示，该模型包含一个编码网络和两个流解码子网络。在原始行人图像的引导下，一个流用于通过过滤跨摄像头干扰因素，为CC问题学习摄像头不变全局特征。对于CP问题，另一个流利用信息完备的密集语义对齐部位图，为行人对齐学习行人对齐局部特征。此外，还提出了一种部位加权损失函数，以减少缺失部位对行人对齐的影响。大量实验表明，我们的方法在大规模通用化重识别基准测试（包括领域泛化设置和跨领域设置）上优于最先进的方法。
引用
@article{arxiv.2206.09362,
title = {Towards Generalizable Person Re-identification with a Bi-stream Generative Model},
author = {Xin Xu and Wei Liu and Zheng Wang and Ruiming Hu and Qi Tian},
journal= {arXiv preprint arXiv:2206.09362},
year = {2022}
}
备注
There is a mistake of equation 1