面向行人重识别的无监督预训练
计算机视觉与模式识别
2021-04-27 v2
摘要
本文提出了一个大规模无标注行人重识别（Re-ID）数据集“LUPerson”，并首次尝试通过无监督预训练来提升所学行人 Re-ID 特征表示的泛化能力。此举旨在解决现有所有行人 Re-ID 数据集因标注成本高昂而规模受限的问题。先前研究尝试利用在 ImageNet 上预训练的模型来缓解行人 Re-ID 数据不足，但受限于 ImageNet 与行人 Re-ID 数据间的巨大领域鸿沟。LUPerson 是一个包含超过 20 万身份、400 万张图像的无标注数据集，其规模是现有最大 Re-ID 数据集的 30 倍，且覆盖了更为多样的采集环境（如相机设置、场景等）。基于该数据集，我们从数据增强与对比损失两个角度系统研究了学习 Re-ID 特征的关键因素。在该大规模数据集上的无监督预训练有效得到了通用的 Re-ID 特征，可惠及所有现有行人 Re-ID 方法。在一些基础框架中使用我们的预训练模型，我们的方法在 CUHK03、Market1501、DukeMTMC 和 MSMT17 四个广泛使用的 Re-ID 数据集上无需额外技巧即达到了最先进结果。我们的结果还表明，在小型目标数据集或少样本设定下性能提升更为显著。
引用
@article{arxiv.2012.03753,
title = {Unsupervised Pre-training for Person Re-identification},
author = {Dengpan Fu and Dongdong Chen and Jianmin Bao and Hao Yang and Lu Yuan and Lei Zhang and Houqiang Li and Dong Chen},
journal= {arXiv preprint arXiv:2012.03753},
year = {2021}
}
备注
To appear at CVPR 2021