用于无监督行人重识别的可迁移联合属性-身份深度学习
计算机视觉与模式识别
2018-03-28 v1
摘要
大多数现有的行人重识别方法需要为每一对相机从单独的大规模成对标注训练数据中学习监督模型。这极大地限制了它们在需要跨多个相机视图进行重识别的真实世界大规模部署中的可扩展性和可用性。为了解决这一可扩展性问题，我们开发了一种新颖的深度学习方法，用于在目标域中无需任何监督学习的情况下，将现有数据集的标注信息迁移到新的未见（无标签）目标域以进行行人重识别。具体而言，我们提出了一种可迁移联合属性-身份深度学习模型，用于同时学习属性语义和身份判别特征表示空间，该空间可迁移至任何新的（未见）目标域以执行重识别任务，而无需从目标域收集新的标注训练数据（即在目标域中进行无监督学习）。大量的对比评估验证了这种新的 TJ-AIDL 模型在四个具有挑战性的基准数据集（包括 VIPeR、PRID、Market-1501 和 DukeMTMC-ReID）上，进行无监督行人重识别时相对于多种最先进方法的优越性。
引用
@article{arxiv.1803.09786,
title = {Transferable Joint Attribute-Identity Deep Learning for Unsupervised Person Re-Identification},
author = {Jingya Wang and Xiatian Zhu and Shaogang Gong and Wei Li},
journal= {arXiv preprint arXiv:1803.09786},
year = {2018}
}
备注
Accepted at CVPR 2018