UnrealPerson：一种面向低成本行人重识别的自适应流水线
计算机视觉与模式识别
2020-12-10 v2
摘要
行人重识别（ReID）的主要困难在于收集标注数据以及跨不同域迁移模型。本文提出UnrealPerson，一种新颖的流水线，充分利用非真实图像数据以降低训练与部署阶段的成本。其基础部分是一个可生成高质量且来自可控分布的合成图像的系统。实例级标注随合成数据一同提供且几乎免费。我们指出了图像合成中极大影响数据质量的一些细节。利用3000个ID与120000个实例，我们的方法在直接迁移至MSMT17时取得了38.5%的rank-1准确率。这几乎翻倍了此前使用合成数据的记录，甚至超越了此前使用真实数据的直接迁移记录。这为无监督域适应提供了良好基础，其中我们的预训练模型可轻松插入最先进（SOTA）算法以获得更高准确率。此外，数据分布可灵活调整以适配一些边缘ReID场景，拓宽了我们流水线的应用。我们将在 https://github.com/FlyHighest/UnrealPerson 发布我们的数据合成工具包与合成数据。
引用
@article{arxiv.2012.04268,
title = {UnrealPerson: An Adaptive Pipeline towards Costless Person Re-identification},
author = {Tianyu Zhang and Lingxi Xie and Longhui Wei and Zijie Zhuang and Yongfei Zhang and Bo Li and Qi Tian},
journal= {arXiv preprint arXiv:2012.04268},
year = {2020}
}
备注
10 pages, 5 figure