源码见专栏置顶
论文作者:Lei Qi,Ziang Liu,Yinghuan Shi,Xin Geng
作者单位: Southeast University; Nanjing University
论文链接:http://arxiv.org/abs/2306.11991v1
内容简介:
1)方向:人物重识别(Re-ID)
2)应用:人物重识别
3)背景:在受监督的情况下,人物重识别技术已经取得了显著进展。然而,跨域(即域泛化)场景在Re-ID任务中提出了挑战,因为测试集中存在未见过的域和训练集之间的域漂移。
4)方法:为了解决这个问题,大多数现有方法旨在学习所有域的域不变或鲁棒特征。作者发现,训练集和测试集之间的数据分布差距在样本对空间中比在样本实例空间中更小。基于这个观察,提出一个 Generalizable Metric Network(GMN),进一步探索样本对空间中的样本相似性。具体而言,在主网络之后添加度量网络(M-Net),并在正负样本对特征上进行训练,然后在测试阶段使用它。此外,引入基于Dropout的扰动(DP)模块,通过丰富样本对的多样性来增强度量网络的泛化能力。此外,开发一种对标识中心(PIC)损失,通过确保具有相同对标识的样本对特征一致来增强模型的区分能力。
5)结果:通过多个基准数据集上的大量实验验证了所提出的方法的有效性,并确认了GMN中每个模块的价值。