Style Variable and Irrelevant Learning for Generalizable Person Re-identification

要約

最近、目に見えないドメインへの監視対象者の再識別 (ReID) のパフォーマンスが低いため、ドメインの影響を受けないモデルを学習することを目的とし、ドメインの影響に抵抗できるドメインの一般化 (DG) の人物 ReID が多くの注目を集めています。
バイアス。
この論文では、最初にスタイル要因がドメイン バイアスの重要な部分であることを実験によって検証します。
この結論に基づいて、スタイル変数と無関係な学習 (SVIL) メソッドを提案して、モデルに対するスタイル要因の影響を排除します。
具体的には、SVIL で Style Jitter Module (SJM) を設計します。
SJM モジュールは、特定のソース ドメインのスタイルの多様性を豊かにし、さまざまなソース ドメインのスタイルの違いを減らすことができます。
これにより、モデルはアイデンティティ関連の情報に焦点を当て、スタイルの変更に影響されなくなります。
さらに、SJM モジュールをメタ学習アルゴリズムと有機的に組み合わせることで、メリットを最大化し、モデルの一般化能力をさらに向上させます。
当社の SJM モジュールはプラグ アンド プレイであり、推論コストがかからないことに注意してください。
広範な実験により、SVIL の有効性が確認され、私たちの方法は DG-ReID ベンチマークの最先端の方法よりも大幅に優れています。

要約(オリジナル)

Recently, due to the poor performance of supervised person re-identification (ReID) to an unseen domain, Domain Generalization (DG) person ReID has attracted a lot of attention which aims to learn a domain-insensitive model and can resist the influence of domain bias. In this paper, we first verify through an experiment that style factors are a vital part of domain bias. Base on this conclusion, we propose a Style Variable and Irrelevant Learning (SVIL) method to eliminate the effect of style factors on the model. Specifically, we design a Style Jitter Module (SJM) in SVIL. The SJM module can enrich the style diversity of the specific source domain and reduce the style differences of various source domains. This leads to the model focusing on identity-relevant information and being insensitive to the style changes. Besides, we organically combine the SJM module with a meta-learning algorithm, maximizing the benefits and further improving the generalization ability of the model. Note that our SJM module is plug-and-play and inference cost-free. Extensive experiments confirm the effectiveness of our SVIL and our method outperforms the state-of-the-art methods on DG-ReID benchmarks by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google