基于Memory bank的行人重识别算法研究.pdfVIP

摘要

作为计算机视觉领域研究热点之一的行人重识别，其在公共安全和新零售等众

多领域都有很重要的应用。然而，目前它还面临着诸多挑战，受到摄像头视角、采

集场景、像素光照以及行人姿态等众多因素的干扰，导致原本性能优异的行人重识

别模型在新数据集上的准确率会严重降低，无法满足实际应用需求。针对以上问题，

目前两类主流的解决方法为无监督域自适应行人重识别（UnsupervisedDomain

AdaptivePersonRe-Identification，UDAReID）和域泛化行人重识别（Domain

GeneralizationPersonRe-Identification，DGReID），两种方法都旨在提高模型在目标

域上的性能。本文针对两类方法，分别开展研究，主要工作如下：

在基于聚类的无监督域自适应行人重识别中，目标域伪标签存在噪声，影响模

型训练，会造成局部最优。针对此问题，本文提出了源域数据引导的无监督域自适

应行人重识别算法。首先利用源域测试集数据计算一个权重，权重与最终计算的损

失结合，不但可以稳定模型训练，缓解噪声影响，避免陷入局部最优；并且结合权

重可以在模型训练前期过滤出更多的噪声样本，进一步降低噪声样本对于模型的影

响。大量实验表明，此算法可以在充分利用源域数据的同时，性能优于同时期其它

算法，可以有效提升无监督域自适应行人重识别的性能。

多域域泛化行人重识别的多个源域会带来大量的不同的行人，因此交叉熵损失

函数中用到的全连接层不论是所有域共用一个全局全连接层，还是每个域单独使用

各自域的局部全连接层，都会存在大量参数；并且在结合了元学习策略之后，元测

试所带来的高阶优化和全连接层结合，会让模型优化变得不稳定。因此，本文提出

一种结合memorybank的全局验证损失，相比于分类损失的全连接层所带来的参数

负担，此损失通过结合memorybank免除参数，并且更好的与元学习策略融合，帮

助模型学习，以此让模型可以抽取到更具有泛化的行人特征，更好的泛化到未见域，

后续的实验也证明此方法的有效性。

关键词：行人重识别；无监督域自适应；域泛化；目标域

ABSTRACT

Asoneoftheresearchhotspotsinthefieldofcomputervision,person

re-identificationhasimportantapplicationsinmanyfieldssuchaspublicsafetyandnew

retaildomains.However,itisstillfacingmanychallenges,duetotheinterferenceofmany

factorssuchascameraperspective,acquisitionscene,pixellighting,andpersonposture,

theaccuracyoftheoriginalexcellentpersonre-identificationmodelinthenewdataset

willbeseriouslyreduced,anditcannotmeetthepracticalapplicationneeds.Inorderto

solvetheaboveproblems,thetwomainstreamsolutionsareunsuperviseddomainadaptive

personre-identificationanddomaingeneralizedpersonre-identification,bothofwhich

aimtoimprovetheperformanceofthemodelonthetargetdomain.Inthispaper,two

typesofmethods