31、可扩展的行人重识别：超越监督式方法

可扩展的行人重识别：超越监督式方法

1. 引言

行人跨摄像头重识别（re - id）在计算机视觉领域是极为重要的问题，它为大范围场景理解奠定了基础，而这个大范围通常会被多个摄像头覆盖。和多数识别问题类似，目前最成功的方法基于监督式训练阶段。利用跨摄像头对的标注数据来学习模型，这些模型能定义两个摄像头视图之间的转换关系，在测试阶段用于关联图像。

不过，这种高度监督的方式阻碍了问题的可扩展性。因为随着摄像头网络规模增大以及可能遇到的情况增多，需要标注的数据量也会随之增长。我们探讨能否在不牺牲性能的前提下，大幅降低行人重识别问题的监督程度，从而确保能将重识别问题扩展到更大的摄像头网络，同时不影响关联任务的准确性。具体考虑以下两个问题：
- 用于标注的最优子集选择 ：给定跨摄像头网络的未标注训练数据和相似度度量，能否选出一个最小的图像子集进行标注，然后基于此学习行人重识别模型？如果能明智地选择这个最小子集，就可以利用相似度度量将标签传播到数据集的其他部分，这样大部分标签就能自动获取，只需标注一小部分图像。
- 通过迁移学习引入新摄像头 ：能否利用已学习的重识别模型，在很少甚至无需额外监督的情况下，将新摄像头引入现有网络？基于迁移学习概念，我们可以为现有网络添加新摄像头。与完全监督式学习模型的方法相比，在这个扩展网络中，通过迁移学习过程，只需少量额外监督就能实现相近的性能。

第一个问题与行人数量增加时行人重识别的可扩展性相关，第二个问题与摄像头网络规模增大时的可扩展性相关。

2. 相关工作

• 监督式行人重识别