基于区域孪生网络的弱监督行人搜索
计算机视觉与模式识别
2021-09-14 v1
摘要
监督学习在行人搜索中占主导地位，但它需要对边界框和身份进行精细标注。大规模标注训练数据通常难以收集，尤其是行人身份。一个自然的问题是：是否可以在无需身份监督的情况下训练出良好的行人搜索模型。在本文中，我们提出了一种仅提供边界框标注的弱监督设定。基于这一新设定，我们给出了一个称为区域孪生网络（R-SiamNets）的有效基线模型。为了在缺乏身份标签的情况下学习有用的识别表征，我们用实例级一致性损失和簇级对比损失来监督R-SiamNet。对于实例级一致性学习，R-SiamNet被约束为从每个行人区域中提取一致的特征，无论是否包含区域外上下文。对于簇级对比学习，我们在特征空间中强制最近实例的聚合与不相同实例的分离。大量实验验证了我们的弱监督方法的效用。我们的模型在CUHK-SYSU基准上达到了87.1%的rank-1和86.0%的mAP，明显超越了OIM和MGTS等若干全监督方法。通过引入额外训练数据可获得更优性能。我们希望本工作能激励该领域的未来研究。
引用
@article{arxiv.2109.06109,
title = {Weakly Supervised Person Search with Region Siamese Networks},
author = {Chuchu Han and Kai Su and Dongdong Yu and Zehuan Yuan and Changxin Gao and Nong Sang and Yi Yang and Changhu Wang},
journal= {arXiv preprint arXiv:2109.06109},
year = {2021}
}
备注
Accepted by ICCV 2021