Pose-Normalized Image Generation for Person Re-identification

行人重识别的姿势规范化的图像生成
摘要：
行人重识别主要面临两个挑战：缺乏跨角度的训练数据对和在大量姿态变化情况下，学习有辨别的身份敏感和角度不变的特征。在本文中，我们通过提出一种新的深度任务图像生成模型来处理这两个问题，以姿势为条件的合成真是的人像图片。这个模型基于一个对抗生成网络，专门用于行人重识别中的姿势规范化，因此被称作姿势规范化GAN(Pose-Normlization PN-GAN)。有了这些合成的图片，我们可以学习一种新的深度行人重识别特征类型，以此摆脱姿势变化的影响。我们证明了这个特征自己是鲁棒的，并且与从原始图片中学习到的特征高度互补。重要的是，我们现在有了一个能产生任何新的行人重识别数据库的模型，不需要为模型的微调收集任何的训练数据，因此让深度行人重识别模型真正的可扩展。在五个基准库上的大量实验表明我们的模型经常显著的超过最先进的模型。尤其是在Market-1501上学习的特征，在没有任何模型微调的情况下，在VIPeR数据集上达到了68.67%的Rank-1准确率，几乎战胜了所有在这个数据集上进行微调的现存的模型。
全文地址：https://arxiv.org/abs/1712.02225