論文地址:https://arxiv.org/abs/1812.11369
主要貢獻:
1). 提出了部件對齊池化(PAP: Part Aligned Pooling),對跨數據集實驗有很重要的影響;提升模型直接跨庫測試的性能;
2). 提出了部件分割約束(PS Constraint)加強對齊和模型的泛化性能(generalization)。
摘要
單域(single-domain)的行人重識別(ReID)近來已經取得了巨大的進展,但是在跨域(cross domain,或者遷移 transfer)問題上卻存在很大的困難,主要體現在(1)直接把訓好的模型到目標域(target domain)測試,性能有巨大的下降;(2)利用無id標註的目標域圖片進行領域適應(domain adaptation)具有其挑戰性。這篇文章中,我們發現部件對齊在跨域重識別中起着重要的作用。通過強化模型的對齊,我們一方面提高模型的泛化性能(generalization),提升模型直接跨庫測試的性能;另一方面,我們的部件對齊模型可以很自然地利用目標域無標籤數據,實現領域自適應(adaptation),使得模型可以適配目標域。我們 在Market1501,CUHK03,DukeMTMC-reID,MSMT17四個目前最大的行人重識別數據庫之間進行大量的跨域實驗,證明了我們方法的有效性,並且取得了state of the art的結果。同時,出於完整性,我們還實驗證明了和現有跨域方法的互補性。
1. Introduction
本文首先在姿態估計的幫助下改進了先前最先進的部件模型PCB 。 PCB將功能圖均勻分區爲P水平條紋,以便彙集局部特徵,如圖1a所示。但又一定的缺陷,有的部分並沒有完全匹配,本文的對齊操作是從關鍵點分隔區域彙集部分特徵,,如圖中b所示,圖中的關鍵點是基於COCO數據集訓練的姿勢評估模型獲得的。這種對齊策略顯著增加了跨域準確性。
本文對特徵圖分割增加限制,提高分割時ReID特徵定位的準確性。具體來說,我們將分割模塊連接到ReID特徵圖,使用由COCO 數據訓練的模型預測的僞分割標籤對其進行訓練。 簡單的結構顯着的改善了模型。
本文將無標籤的目標域圖片作爲訓練樣本來訓練部件分割約束模型,讓模型更具泛化能力,使得模型對於沒有身份標籤的圖片也具有很好的識別效果。
2. Related Work
3. Method