基于深度特征互学习的弱监督轨迹段行人重识别
计算机视觉与模式识别
2019-11-01 v1
摘要
标注行人重识别（Re-ID）数据集的困难所引起的可扩展性问题已成为 Re-ID 发展的关键瓶颈。为解决此问题，近来提出许多无监督 Re-ID 方法。然而，这些模型大多需要从另一辅助全监督数据集迁移，而该数据集的获取仍代价高昂。本工作中，我们提出一种基于来自多相机视角的弱监督轨迹段（WST）数据的 Re-ID 模型，该数据可通过将同一人在同一相机视角下一段时间内的碎片化轨迹段组合而廉价获取。我们通过一种称为深度特征互学习（DFML）的新方法构建弱监督轨迹段 Re-ID 模型，其由特征提取器互学习（MLFE）与特征分类器互学习（MLFC）组成。我们提出 MLFE，利用两个特征提取器相互学习以提取更鲁棒且更具判别性的特征。另一方面，我们提出 MLFC，将来自多相机视角的判别性特征适配至各分类器。大量实验证明了我们所提 DFML 在三个 Re-ID 基准数据集上优于最先进的无监督模型甚至某些有监督模型。
引用
@article{arxiv.1910.14333,
title = {Weakly Supervised Tracklet Person Re-Identification by Deep Feature-wise Mutual Learning},
author = {Zhirui Chen and Jianheng Li and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:1910.14333},
year = {2019}
}