Illumination Variation Correction Using Image Synthesis For Unsupervised Domain Adaptive Person Re-Identification

要約

教師なしドメイン適応型 (UDA) 人物再識別 (re-ID) は、ソース ドメインのラベル付き画像から ID 情報を学習し、それをターゲット ドメインのラベルなし画像に適用することを目的としています。
多くの教師なし再識別手法の大きな問題の 1 つは、照明、視点、オクルージョンなどの大きな領域の変動に対してうまく機能しないことです。
本稿では、教師なし人物再IDにおける照明変動に対処するための合成モデルバンク(SMB)を提案する。
提案された SMB は、特徴抽出用のいくつかの畳み込みニューラル ネットワーク (CNN) と距離メトリック用のマハラノビス行列で構成されます。
これらは、異なる照明条件の合成データを使用してトレーニングされるため、その相乗効果により、SMB は照明の変動に対して堅牢になります。
照明強度をより適切に定量化し、合成画像の品質を向上させるために、GAN ベースの画像合成用の新しい 3D 仮想ヒューマン データセットを導入します。
私たちの実験によると、提案された SMB は、いくつかの re-ID ベンチマークで他の合成方法よりも優れています。

要約(オリジナル)

Unsupervised domain adaptive (UDA) person re-identification (re-ID) aims to learn identity information from labeled images in source domains and apply it to unlabeled images in a target domain. One major issue with many unsupervised re-identification methods is that they do not perform well relative to large domain variations such as illumination, viewpoint, and occlusions. In this paper, we propose a Synthesis Model Bank (SMB) to deal with illumination variation in unsupervised person re-ID. The proposed SMB consists of several convolutional neural networks (CNN) for feature extraction and Mahalanobis matrices for distance metrics. They are trained using synthetic data with different illumination conditions such that their synergistic effect makes the SMB robust against illumination variation. To better quantify the illumination intensity and improve the quality of synthetic images, we introduce a new 3D virtual-human dataset for GAN-based image synthesis. From our experiments, the proposed SMB outperforms other synthesis methods on several re-ID benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google