面向跨域行人再识别的虚拟数据生成与选择

针对当前基于深度学习的行人再识别模型依赖于大量标注数据的训练,其收集和标注代价极高;而现有的行人图像数据生成方法未考虑目标域数据特点,跨域性能有待提升的问题,提出一种面向跨域行人再识别的虚拟数据生成与选择算法.首先利用目标域前景信息如行人着装颜色分布指导虚拟 3D人体模型生成,获得与真实人物整体着装较为相似的虚拟人物.接着引导模型专注于通过前景信息区分不同行人,在生成的虚拟数据上替换目标域背景信息,达到在像素级上提高源域数据质量的目的.最后,根据分布度量如Wasserstein Distance等度量源域和目标域的特征分布距离,在特征级上选择与目标域最接近的源域训练子集用以模型训练.实验结果表明,该方法优于现有的其他行人数据生成算法,可以显著提升行人再识别模型的跨域泛化性能.