面向跨模型兼容性的统一表示学习
计算机视觉与模式识别
2020-08-12 v1
摘要
我们提出一个统一表示学习框架，以解决视觉搜索应用背景下的跨模型兼容性（Cross Model Compatibility, CMC）问题。不同嵌入模型之间的跨兼容性使视觉搜索系统能够正确识别和检索身份，而无需对用户图像重新编码，这些图像通常由于隐私问题而不可用。尽管已有方法解决人脸识别中的 CMC 问题，但它们在嵌入模型分布发生剧烈偏移的更具挑战性的设定下失效。所提出的解决方案通过引入轻量级残差瓶颈变换（Residual Bottleneck Transformation, RBT）模块和一种新的训练方案来优化嵌入空间，从而提升 CMC 性能。大量实验表明，对于我们提出的解决方案在人脸识别和行人重识别的各种挑战性视觉搜索场景中大幅优于先前的方法。
引用
@article{arxiv.2008.04821,
title = {Unified Representation Learning for Cross Model Compatibility},
author = {Chien-Yi Wang and Ya-Liang Chang and Shang-Ta Yang and Dong Chen and Shang-Hong Lai},
journal= {arXiv preprint arXiv:2008.04821},
year = {2020}
}
备注
To appear in British Machine Vision Conference (BMVC) 2020