Retrieval Augmented Generation - 2018年09月

Sparse Label Smoothing Regularization for Person Re-Identification

发布时间：2018-09-13

作者：Jean-Paul Ainam, Ke Qin, Guisong Liu, Guangchun Luo

中文摘要：

人员重识别（re-id）是一项跨摄像头检索任务，它建立了来自多个摄像头的人像之间的对应关系。深度学习方法已成功应用于此问题，并取得了令人印象深刻的成果。然而，这些方法需要大量的标记训练数据。目前，人员重识别中的标记数据集在规模上有限，从监控摄像头中手动获取如此大规模的数据集是一项繁琐且劳动密集型的工作。在本文中，我们提出了一种框架，该框架执行智能数据增强并为生成数据分配部分平滑标签。我们的方法首先利用现有人员重识别数据集的聚类特性来创建具有相似对象和跨视图变化的组。然后，每个组通过对抗性训练生成逼真的图像。我们的目标是强调生成样本与原始样本之间的特征相似性。最后，我们对生成样本分配非均匀标签分布，并定义了一个正则化损失函数进行训练。所提出的方法解决了两个问题：（1）如何有效地使用生成数据；（2）如何解决当前正则化方法中发现的过度平滑问题。在四个大规模数据集上的大量实验表明，与现有方法相比，我们的正则化方法显著提高了重识别的准确性。

一句话总结：

本文提出了一种基于智能数据增强和部分平滑标签分配的人员重识别正则化方法，有效提高了重识别的准确性。

---