Domain Adaptation through Synthesis for Unsupervised Person Re-identification 论文笔记

最新推荐文章于 2022-03-20 13:53:24 发布

原创

最新推荐文章于 2022-03-20 13:53:24 发布 · 1.8k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#行人重识别

这篇文章来自ECCV2018. 主要针对无监督的行人再识别任务，首先用3D引擎和环境渲染技术构建了一个多光照条件的虚拟行人数据集，接着用该合成数据集和其它大型真实数据集合并，共同预训练了一个模型。由于涵盖了各种光照情况，该模型具有良好的泛化性能。为了进一步提升无监督性能，该文章提出了一种域自适应技术（有约束的cycleGAN），选择和目标域的光照情况最相似的那些合成图像，迁移到目标域上，再利用迁移后的合成图像对预训练好的模型进行精调，最终大幅提升了reid的性能，超过其它无监督方法。

一. 摘要

跨监控摄像头的剧烈光照变化会使得行人再识别任务变得非常困难。当前的大型reid数据集有着非常多的行人训练样本，但是缺乏光照的多样性。因此，如果遇到没有见过的光照条件，一个训练好的模型需要进行精调才能变得有效。为了解决这个问题，本文引入了一个包含了上百种光照条件的合成数据集。具体地说，我们使用了100个虚拟人物，利用多个HDR环境图对其进行照明，从而准确建模出真实的室内和户外光照。为了在没见过的光照条件下取得更好的性能，我们提出一种新的域自适应技术，以一种完全无监督的方式利用了我们的合成数据并进行了精调。我们的方法和其它半监督和无监督方法相比，取得了很高的准确率，可以和有监督方法媲美。