通用行人重识别
计算机视觉与模式识别
2019-07-24 v1
摘要
大多数最先进的行人重识别（re-id）方法依赖于有监督模型学习，需要大量跨视角身份标注训练数据。更糟的是，此类训练模型仅限于同域部署，跨域泛化能力显著下降，即“域特定”。为解决该局限，近期出现了一些利用无标注目标域训练数据的无监督域适应与无监督学习方法。然而，这些方法与有监督学习方法一样，需要为每个目标域训练一个单独的模型。这种传统的“训一次，跑一次”模式对于实际部署中常见的大量目标域而言是不可扩展的。我们针对此问题提出了工业级系统迫切需要的“训一次，处处运行”模式。我们提出了一种“通用模型学习”方法，仅使用“单一”种子域的有限训练数据即可实现域通用行人重识别。具体而言，我们训练一个通用重识别深度模型来区分一组经变换的行人身份类别。每个此类类别通过对该类图像施加多种随机外观变换而形成，这些变换模拟任意域的相机观测条件，从而使模型训练具有域通用性。大量评估表明，在五个标准基准（Market-1501、DukeMTMC、CUHK03、MSMT17与VIPeR）上，我们的通用行人重识别方法优于多种最先进的域适应与无监督学习重识别方法。
引用
@article{arxiv.1907.09511,
title = {Universal Person Re-Identification},
author = {Xu Lan and Xiatian Zhu and Shaogang Gong},
journal= {arXiv preprint arXiv:1907.09511},
year = {2019}
}