做网站怎样投放广告,成都网站网络建设,织梦网站 数据库,网络有限公司做女装网站的Codehttps://github.com/dcp15/ISR_%20ICCV2023_Oral
面向泛化行人再识别的身份导向自监督表征学习#xff0c;清华大学
目录
导读
摘要
相关工作
DG ReID
用于ReID的合成数据
无监督表征学习
Identity-Seeking Representation Learning
结果
消融实验 导读 新角度…
Codehttps://github.com/dcp15/ISR_%20ICCV2023_Oral
面向泛化行人再识别的身份导向自监督表征学习清华大学
目录
导读
摘要
相关工作
DG ReID
用于ReID的合成数据
无监督表征学习
Identity-Seeking Representation Learning
结果
消融实验 导读 新角度提出了从大规模无标注互联网行人视频中学习领域泛化的行人表征。 新方法设计了新颖的自监督的学习框架以及可靠性引导的对比损失函数有效学习到identity discrimination。所提方法具有出色的数据可扩展性。 高性能所学表征展现出很强的域泛化能力和域迁移能力具有很大的实际应用价值和潜力。
摘要
本文旨在从大规模视频中学习一种无需任何注释的域泛化DG行人再识别ReID表示。由于标注成本高先前的DG ReID方法使用有限的标注数据进行训练这限制了进一步发展。为了克服数据和注释的障碍我们建议使用大规模的无监督数据进行训练。关键问题在于如何挖掘身份信息。为此我们提出了一种ISRIdentity-seeking Self-supervised Representation learning方法。ISR将实例关系建模当做最大权重二分匹配问题从帧间图像构建正样本对。进一步提出了一种可靠性引导的对比损失以抑制噪声正样本对的不利影响确保可靠的正样本对主导学习过程。ISR的训练成本与数据大小近似呈线性关系因此可以利用大规模数据进行训练。所学习的表示表现出很强的泛化能力。在没有人为注释和微调的情况下ISR在Market-1501上获得了87.0%的Rank-1在MSMT17上获得了56.4%的Rank-1分别比最佳有监督域泛化方法高出5.0%和19.5%。
相关工作
DG ReID
领域通用的人物识别Domain Generalizable ReID旨在在源领域上学习一个强大的模型并直接在未见过的目标领域上进行测试而无需进行微调处理。因其在实际应用中的巨大潜力而受到广泛关注。DIMN设计了一个域不变映射网络来学习元学习管道下的域不变表示。MetaBIN和SNR研究了归一化层或模块以提高模型的泛化能力。RaMoE利用目标域和多个源域之间的相关性来提高模型的泛化能力。MDA将源和目标特征分布与先前的分布对齐。这些方法是用小规模领域匮乏的标记数据进行训练的。与他们不同的是我们的目标是从大规模领域多样的未标记数据中学习DG ReID模型。
用于ReID的合成数据
ReID模型的性能受到从真实世界收集标注数据的高昂成本的限制。为了应对这一挑战一些方法已经转向使用合成数据synthetic data。值得注意的是PersonX包含1266个ID其中273456张图像是从各个角度拍摄的能够探索视角对ReID系统的影响。RandPerson提供了8000个身份其中有来自19台摄像机的228655张图像而UnrealPerson提供了3000个身份包括来自34台摄像机的120000张图像ClonedPerse包括来自24台摄像机的5621个身份和887766张图像。这些合成数据集已被证明对监督学习有价值因为它们增强了ReID模型的泛化能力。DomainMix [1] 进一步证实在训练期间将标记的合成数据与未标记的真实世界数据相结合是DG ReID的一个有前途的方向。然而合成数据和真实世界的数据之间仍然存在巨大的领域差距阻碍了在合成数据上训练的模型无缝应用于真实的现实世界场景。为了弥补这种差异我们建议使用大量未标记的真实世界数据进行训练。 [1] Wenhao Wang, Shengcai Liao, Fang Zhao, Kangkang Cui, and Ling Shao. Domainmix: Learning generalizable person re-identification without human annotations. In BMVC, 2021. 3 无监督表征学习
一些主流的无监督表征学习方法MoCo, SimCLR, BYOL如果被直接应用于ReID则只能学习预训练模型这在直接测试时显示出极低的准确性。核心原因是它们将一张图像的两个不同视图视为正样本对或者对图像中的掩码像素进行重建从而实现了实例区分instance discrimination。这与身份区分identity discrimination的ReID目标所矛盾。与它们不同我们将同一ID的帧间图像视为正样本对来达到身份区分的目标。一项密切相关的工作是CycAs同团队的工作及其改进版本。大概意思是作者针对CycAs方法的弱点提出了一种新方法通过挖掘正样本对和抑制噪声来提供更鲁棒和通用的人物再识别表示学习的解决方案。 可视化证明ISR对identity-discrimination的有效性 Identity-Seeking Representation Learning
身份导向的自监督表征学习 The overview of ISR. 1构建正样本对 基于最大权二分图匹配在邻近帧中构建跨帧正样本对。
2抑制噪声正样本对 计算每个正样本对的可靠性利用可靠性来引导学习对比损失进而抑制噪声正样本对的影响。
可靠性计算对比损失
结果 域泛化设置下与SOTA方法的比较 在合成数据集的比较 消融实验 CP跨帧正样本对L_{RC}可靠性导向的对比损失L_Q基于记忆的对比损失。 性能与数据规模 更多细节在论文
