CGAN-TM: A Novel Domain-to-Domain Transferring Method for Person Re-Identification
CGAN-TM: A Novel Domain-to-Domain Transferring Method for Person Re-Identification
复制标题
CGAN-TM：一种用于人员重新识别的新型域到域传输方法
DOI：
10.1109/tip.2020.2985545
复制
发表时间：
2020-04
影响因子：
10.6
通讯作者：
Xinbo Gao
中科院分区：
文献类型：
--
作者：
Yingzhi Tang;Xi Yang;Nannan Wang;Bin Song;Xinbo Gao
人物再识别（Person Re-identification，re-ID）是一种跨摄像机识别人物的技术。虽然一些监督方法取得了良好的性能，但由于缺乏标记数据，它们离实际应用还很远。因此，迫切需要无监督的人员重新识别方法。通常，在现有的无监督方法中，常用的方法是首先利用源图像数据集以有监督的方式生成模型，然后将源图像域转移到目标图像域。然而，图像在翻译后可能会丢失其身份信息，并且不同域之间的分布很远。为了解决这些问题，我们提出了一种图像域到域的翻译方法，通过保持行人的身份信息和拉近域的分布无监督的人重新识别任务。我们的工作利用CycleGAN将现有的标记图像域转移到未标记图像域。特别地，提出了一种自标记三元组网络来保持行人身份信息，并引入最大均值差异来拉近域分布。大量的实验表明，该方法优于DukeMTMC-reID和Market-1501上的最先进的无监督方法。
Person re-identification (re-ID) is a technique aiming to recognize person cross different cameras. Although some supervised methods have achieved favorable performance, they are far from practical application owing to the lack of labeled data. Thus, unsupervised person re-ID methods are in urgent need. Generally, the commonly used approach in existing unsupervised methods is to first utilize the source image dataset for generating a model in supervised manner, and then transfer the source image domain to the target image domain. However, images may lose their identity information after translation, and the distributions between different domains are far away. To solve these problems, we propose an image domain-to-domain translation method by keeping pedestrian’s identity information and pulling closer the domains’ distributions for unsupervised person re-ID tasks. Our work exploits the CycleGAN to transfer the existing labeled image domain to the unlabeled image domain. Specially, a Self-labeled Triplet Net is proposed to maintain the pedestrian identity information, and maximum mean discrepancy is introduced to pull the domain distribution closer. Extensive experiments have been conducted and the results demonstrate that the proposed method performs superiorly than the state-of-the-art unsupervised methods on DukeMTMC-reID and Market-1501.
登录
查看更多内容
通过双正则 KISS 度量学习进行人员重新识别
影响因子：
10.6
作者：
Dapeng Tao;Yanan Guo;Mingli Song;Yaotang Li;Zhengtao Yu;Yuan Yan Tang
通讯作者：
Yuan Yan Tang
DOI：
10.1109/cvpr.2019.00375
发表时间：
2019-06
期刊：
2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)
影响因子：
--
作者：
Q. Yang;Hong-Xing Yu;Ancong Wu;Weishi Zheng
通讯作者：
Q. Yang;Hong-Xing Yu;Ancong Wu;Weishi Zheng
DOI：
10.1109/cvpr.2016.20
发表时间：
2016-04
期刊：
2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
影响因子：
--
作者：
Tinghui Zhou;Philipp Krähenbühl;Mathieu Aubry;Qi-Xing Huang;Alexei A. Efros
通讯作者：
Tinghui Zhou;Philipp Krähenbühl;Mathieu Aubry;Qi-Xing Huang;Alexei A. Efros
DOI：
10.1109/cvpr.2018.00242
发表时间：
2018-03
期刊：
2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Jingya Wang;Xiatian Zhu;S. Gong;Wei Li-
通讯作者：
Jingya Wang;Xiatian Zhu;S. Gong;Wei Li-
DOI：
--
发表时间：
2016-10
期刊：
ArXiv
影响因子：
--
作者：
Liang Zheng;Yi Yang;Alexander Hauptmann
通讯作者：
Liang Zheng;Yi Yang;Alexander Hauptmann