Weakly Supervised Person Re-ID: Differentiable Graphical Learning and a New Benchmark
Weakly Supervised Person Re-ID: Differentiable Graphical Learning and a New Benchmark
复制标题
弱监督人员重新识别：可微分图形学习和新基准
DOI：
10.1109/tnnls.2020.2999517
复制
发表时间：
2019-04
影响因子：
10.4
通讯作者：
Lin Liang
中科院分区：
文献类型：
--
作者：
Wang Guangrun;Wang Guangcong;Zhang Xujie;Lai Jianhuang;Yu Zhengtao;Lin Liang
对现有数据集（例如CUHK03和Market-1501）进行准确的注释，对人员再识别大有好处。由于这些数据集中的每个图像都必须分配适当的标签，因此注释的成本相当高。在这项工作中，我们通过用不准确的注释代替准确的注释来简化Re-ID的注释，即我们按照时间将图像分组到袋中，并为每个袋分配一个袋级标签。这大大减少了注释工作，并导致创建了一个名为SYSU- $30k$的大规模Re-ID基准。新基准包含3万个类别，比CUHK03（1.3万个类别）和Market-1501（1.5万个类别）大约20倍，比ImageNet（1万个类别）大30倍。总共有29606918张图片。学习具有袋级注释的Re-ID模型称为弱监督Re-ID问题。为了解决这个问题，我们引入了一个可微的图形模型来捕获包中所有图像的依赖关系，并为每个人的图像生成一个可靠的伪标签。伪标签进一步用于监督Re-ID模型的学习。与完全监督的Re-ID模型相比，我们的方法在SYSU- $30k$和其他数据集上达到了最先进的性能。代码、数据集和预训练模型可在https://github.com/wanggrun/SYSU-30k上获得。
Person reidentification (Re-ID) benefits greatly from the accurate annotations of existing data sets (e.g., CUHK03 and Market-1501), which are quite expensive because each image in these data sets has to be assigned with a proper label. In this work, we ease the annotation of Re-ID by replacing the accurate annotation with inaccurate annotation, i.e., we group the images into bags in terms of time and assign a bag-level label for each bag. This greatly reduces the annotation effort and leads to the creation of a large-scale Re-ID benchmark called SYSU- $30k$ . The new benchmark contains 30k individuals, which is about 20 times larger than CUHK03 (1.3k individuals) and Market-1501 (1.5k individuals), and 30 times larger than ImageNet (1k categories). It sums up to 29606918 images. Learning a Re-ID model with bag-level annotation is called the weakly supervised Re-ID problem. To solve this problem, we introduce a differentiable graphical model to capture the dependencies from all images in a bag and generate a reliable pseudolabel for each person’s image. The pseudolabel is further used to supervise the learning of the Re-ID model. Compared with the fully supervised Re-ID models, our method achieves state-of-the-art performance on SYSU- $30k$ and other data sets. The code, data set, and pretrained model will be available at https://github.com/wanggrun/SYSU-30k.
登录
查看更多内容
DOI：
10.5244/c.28.48
发表时间：
2014
期刊：
--
影响因子：
--
作者：
Hanxiao Wang;S. Gong;T. Xiang
通讯作者：
Hanxiao Wang;S. Gong;T. Xiang
DOI：
10.5244/c.31.135
发表时间：
2017-08
期刊：
ArXiv
影响因子：
--
作者：
Rui Yu;Zhichao Zhou;S. Bai;X. Bai
通讯作者：
Rui Yu;Zhichao Zhou;S. Bai;X. Bai
DOI：
10.5244/c.24.21
发表时间：
2010
影响因子：
4.9
作者：
B. Prosser;Weishi Zheng;S. Gong;T. Xiang
通讯作者：
B. Prosser;Weishi Zheng;S. Gong;T. Xiang
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：
--
发表时间：
2017-03
期刊：
ArXiv
影响因子：
--
作者：
Alexander Hermans;Lucas Beyer;B. Leibe
通讯作者：
Alexander Hermans;Lucas Beyer;B. Leibe