《长安十二时辰》中的跨域行人重识别问题

最新推荐文章于 2024-08-23 08:41:12 发布

我爱计算机视觉

最新推荐文章于 2024-08-23 08:41:12 发布

阅读量521

点赞数 1

点击我爱计算机视觉标星，更快获取CVML新技术

望楼武侯是怎么练成的！

天宝二年，吐蕃对大唐全面停止互市，并挑唆南诏叛唐，一时间局势骤然紧张起来。自古攘外必先安内，为了防止贼人趁机作乱，朝廷成立靖安司，负责两京及四方治安捕盗之事。

靖安司在长安城中每三百步设一望楼，并选边军善射者，驻扎在望楼之上，称为武侯，监控长安东西两市及一百零八坊。

武侯目力极佳，街面上的风吹草动都逃不过他们的眼睛。但是在人群之中能够连续追踪一个人却并非易事，需要武侯们相互配合，通过约定暗语将这个人的体貌特征传遍各个望楼，男女，服饰等等一一通过暗语穿出，但是却发现很多时候语焉不详。例如，同样是紫袍老者戴黑冠，可能是郭将军，也可能是何监，或者是右相。

因此武侯们不再强求暗语的意义，而是对每个人通过暗语发出一串数字。如果两串数字距离近，那么它们所代表的人就可能是同一个人；反之，那么它们就不应该是同一个人。

若要得到这串数字，武侯们便需要习得一套本领，对同一个人的时候，无论光照，方向，姿态如何，所得到的数字距离都要近；而对不同人的时候，数字的距离都需远。为了做到这一点，免不了进行大量的练习。

行人重识别（ReID），即判断不同摄像头下两张图中的人物是否为同一个人，在安防领域有着广泛的应用。在21世纪初，就已经有不少学者在做行人ReID的研究。

早期ReID的研究主要集中在两个层面：

（1）如何设计更好的行人特征，即上文中的“暗语”；

（2）如何对特征进行相似度的度量。

前者比较有代表性的方式是HOG特征和LOMO特征，而后者比较有代表的是KISSME和XQDA等等。但是传统手提特征+相似度度量的方法无法应对复杂的真实环境，而随着深度学习技术的发展，行人ReID和大量CV任务一样，开始进入深度学习时代。

靖安司让武侯尽数在西市训练，在六座望楼上观察了一千五百零一人，对每个望楼上观察到的每个人，按照同一规则编撰暗语。

开始的时候，暗语设计不甚高明，对于某一个望楼发出的暗语，有几乎一半的情况，另一个望楼收到暗语后，发现暗语最相近的是另外一个人。但功夫不负苦心人，武侯们昼夜苦练，这种情况终于减少到每一百次中仅出现五次左右。

2015年是ReID技术发展史中很重要的一个分水岭，该年郑良博士等人在ICCV上发布了Market1501数据集，从此ReID进入了深度学习时代。

起初，ReID多采用全局特征，主要特点是直接将网络Backbone输出的global feature作为行人图片的ReID特征，而研究的主要目标就是如何设计网络的损失函数。

全局特征最近研究的比较少，一般作为目前研究工作的baseline，可以参考“专栏第一篇”：https://zhuanlan.zhihu.com/p/61831669。

在全局特征发展一段时间之后，性能遇到了瓶颈，这时候局部特征local feature的方法开始发展，特点是融合多个局部区域的特征，根据局部区域取得的方式不同，可以分为人体语义分块和物理切割分块。

前者比较有代表性的方法包括SpindleNet，GLAD等；而后者代表的方法有PCB，AlignedReID，MGN等，用于Partial ReID的VPM也可认为是后者的变种，可以参考“专栏第三篇”：https://zhuanlan.zhihu.com/p/71260436。

靖安司大喜，令武侯们登上望楼执勤。但是武侯们却每每跟丢嫌犯，令圣人大为不满。靖安司也大为困惑：明明于西市之中，都能够准确跟踪他人，为什么一推广到整个长安就不灵了？

原来，在西市之中，有天时地利人和之便。所谓天时，武侯观察西市千余人和之后追踪他们都在同一时间，光照类似；所谓地利，是因为观察和追踪都在西市，场景类似；所谓人和，是因为西市多商贾，衣着风格类似。而一旦推广到整个长安，天时地利人和俱失，因此此法就不灵了。

局部特征把同源ReID的性能刷到了一个很高的水平，例如目前在Market1501上Top1最高可以达到95%以上，但类似精度的模型直接用于非同源任务，如DukeMTMC-reid，Top1往往不到40%。

这就是domain adaptation问题，在机器学习领域普遍存在。而考虑到ReID领域相对较小的数据集和较单一的场景，这个问题就格外严重了。

在cross-domain reid中，训练集来自于source domain，而测试集来自target domain，两个数据集之间通常存在显著的domain gap。

例如，公开数据集Market-1501采集在夏天国内校园，行人多着短袖、色彩也相对鲜明；而DukeMTMC-reID采集于冬季国外校园，行人多着厚重冬装、色彩也相对暗沉。

这种显著的着装风格差异塑造了两个数据集之间的domain gap，并降低模型在这两个数据集之间跨域使用的准确率，对模型的泛化能力提出了很高的要求。

为了能让望楼之法在长安推行，这个问题必须解决。靖安司让武侯们在观察西市中的一千五百零一人的时候，先用幻术将其幻化成在其他坊中的样子，甚至是在各个望楼上看到的样子，再来编撰暗语；或者把在西市习得的暗语，先用于其他各坊中人员，由此得到一个坊中人员的相似程度，再根据这先入为主的印象为该坊重编暗语；还有些武侯在观察西市众人时，同时观察其他坊中人物，只是并不知晓这些外坊人物中哪些是一个人，哪些又不是。

尽管如此，只要在编写暗语的时候，同时让这暗语与人的四肢躯干相吻合，用于外坊也大有补益。武侯们经过这些训练追踪嫌犯大有长进。终于，在长安，乃至大唐十道三百二十八府一千五百七十三县，武侯们能够如当初在西市中一样，侦稽捕盗，十有九中。

为解决cross-domain reid问题，学术界提出了很多方法：

A. source domain向target domain风格迁移。

该方案直截了当，希望能够把训练样本（source domain）风格迁移到测试集（target domain），在原始图像层面，减小domain gaps。这类方法大多需要依赖生成对抗网络（GAN）来实现风格迁移——给定sourcedomain的图像，GAN的生成器尝试将其转换成targetdomain 的图像、以假乱真；而GAN的鉴别器则试图区分生成图像的伪造本质。

生成器与鉴别器在这样一个左右手互搏下共同提高。CVPR2018 中，两篇工作就使用了这样的方案，分别是“Image-ImageDomain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity forPerson Re-identification”和“Person Transfer GAN toBridge Domain Gap for Person Re-Identification”。

值得一提的是，这些工作不只是简单地利用GAN进行风格迁移，为了更好地将GAN风格迁移与re-ID任务目标结合、提高迁移效果，它们还设计了一些特别的约束。例如“Image-ImageDomain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity forPerson Re-identification”设计了ID保持约束，即source domain图像向target domain进行风格迁移时，并不应该改变图像ID。为此，他们额外使用了一个re-ID中常用的metric (contrastive) loss来增强GAN的风格迁移效果：

公式中，当图像x1,x2分别是原域图像和风格迁移后图像时，二者构成正样对，希望二者的距离近可能接近0；当图像分别是风格迁移后图像与目标域图像时，我们可以断定二者ID不同，因此构成负样对，希望二者的距离尽可能远离。

原文实验证明这样一个re-ID约束与GAN风格迁移训练结合，提高了最终cross domain下的re-ID准确率。这就是上文中提到的通过“幻术”幻化出同一个人在不同坊内的样子。

B. target domain内部的风格迁移。

另一些研究表明，不直接在source domain和target domain之间进行风格迁移，而是在target domain内部进行细粒度的风格迁移同样也能提高模型在target domain的泛化能力。ECCV2018的“Generalizing A Person Retrieval Model Hetero- and Homogeneously”工作中，作者利用StarGAN让target domain不同相机图像之间互相迁移风格。

并且，该工作同样巧妙设置了一种ID保持机制——target domain的图像在迁移相机风格后，ID不应改变，与原图像可以构建正样对。与此同时，target domain的图像与source domain的任意图像可以构建负样对——毕竟，source domain和target domain图像属于同一个ID的概率几乎为0。这个工作在2018年取得了cross domain re-ID的国际领先水平。这就是上文所谓对每一座望楼进行幻化。

C. 在target domain进行无监督学习。上述两种方法牵涉到图像层面的风格迁移，都必须依赖GAN来实现。而2019年CVPR两篇工作中，舍弃了GAN，它们的共同特点是在target domain引入一些无监督学习任务，提高模型在target domain的泛化能力。

其中一篇是“Invariance Matters Exemplar Memory for Domain Adaptive”，它引入了三项invariance约束，分别是exemplar invariance, camerainvariance和neighborhood invariance。

除了第二项camera invariance仍然需要GAN的辅助、在不同相机见进行风格迁移，其它两项都直接依赖在target domain的无监督学习。

其中第一项给target domain每幅图像一个独立的标签——这个做法看上去匪夷所思，但是在之前无监督学习的一些工作中已经被探索并证明是有效的；

第三项则认为，target domain中，相近样本是有可能共享ID的，因此，给当前样本的K近邻的样本一定的概率，要求它们能够以相应的概率被预测到当前样本类别中；

另一篇工作“Unsupervised Person re-identification by Soft Multi-label Learning”是CVPR2019 Oral paper。

它提出了一种新颖的做法，利用sourcedomain模型给target domain图像生成各自的softlabel——这个label使用模型的softmax输出，表征一个连续的概率分布，因此是soft label。这个soft label虽然不够准确，但却被巧妙地用来监督deep embedding learning。为此，他们使用了如下的损失函数：

这个损失函数虽然采用了三元组构建（正、负样对），但与传统的contrastiveloss或者triplet loss形式并不相同，尽管如此，目标是一致的——在特征空间，让正样对距离减小、负样对距离增大。这就是上文提到根据先入为主的印象重新编写暗语。

D. 在target domain进行辅助的监督学习。

虽然目标域上没有行人ID标签，无法进行有监督的行人特征学习，但是并不妨碍引入一些辅助学习任务——这些附加的学习任务并不需要行人ID标签。

例如，“EANet: Enhancing Alignment for Cross-Domain PersonRe-identification”利用在目标域额外的human parsing任务，提高了模型在目标域的泛化能力。实现这样一个效果需要有两个前提：辅助任务的标签可以自动获取、辅助任务本身对re-ID性能有促进作用。

EANet正是找到了human parsing这样一个切入点：human parsing的标签可以用Deep Lab等模型自动产生，而human parsing帮助模型区分语义部件，对re-ID是有潜在好处的。这就是上文提到的通过让暗语与四肢躯干相吻合，而增进泛化能力。

天宝三年上元节，有狼卫混入长安，妄图焚毁大唐帝都。靖安司启用张小敬捉狼，在十二时辰中拯救了长安。其中，望楼武侯也贡献了自己的一份力量。