基于深度非对称度量嵌入的无监督行人重识别
计算机视觉与模式识别
2019-02-08 v1
摘要
行人重识别(Re-ID)旨在跨非重叠摄像头视角匹配身份。研究者已提出许多有监督Re-ID模型，这些模型需要大量的跨视角成对标注数据。这限制了它们在许多应用中的可扩展性，这些应用拥有来自多个不相交摄像头视角的大量可用但未标注的数据。尽管已提出一些无监督Re-ID模型以解决可扩展性问题，它们常受视角特定偏差问题的困扰，该问题由不同摄像头视角间的剧烈差异（如不同光照、视角和遮挡）引起。剧烈差异在不同摄像头视角中诱发特定的特征畸变，由于无标签信息可帮助缓解偏差，这在无监督场景下寻找用于Re-ID的跨视角判别信息时会造成严重干扰。我们提出通过基于跨视角聚类学习无监督非对称距离度量来显式解决该问题。非对称距离度量允许为每个摄像头视角进行特定的特征变换，以应对特定的特征畸变。我们随后设计了一种新颖的无监督损失函数，将非对称度量嵌入深度神经网络，从而开发了名为基于深度聚类的非对称度量学习(DECAMEL)的新颖无监督深度框架。如此，DECAMEL联合学习特征表示与无监督非对称度量。DECAMEL学习Re-ID数据的紧凑跨视角聚类结构，从而帮助缓解视角特定偏差并促进挖掘无监督Re-ID的潜在跨视角判别信息。在规模跨越数个数量级的七个基准数据集上的大量实验表明了我们的框架的有效性。
引用
@article{arxiv.1901.10177,
title = {Unsupervised Person Re-identification by Deep Asymmetric Metric Embedding},
author = {Hong-Xing Yu and Ancong Wu and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:1901.10177},
year = {2019}
}
备注
To appear in TPAMI