VALSE 论文速览 第38期：面向损坏不变性的行人重识别基准

论文题目：面向损坏不变性的行人重识别基准

作者列表：陈明辉 (南方科技大学)，王志强 (南方科技大学)，郑锋 (南方科技大学)

B站观看网址：

https://www.bilibili.com/video/BV1QF411B7jb/

复制链接到浏览器打开或点击阅读原文即可跳转至观看页面。

论文摘要：

在安全至关重要的应用场景中部署行人重新识别模型时，了解模型对各种图像损坏的鲁棒性十分关键。然而，当前基准对行人重识别算法的评估只考虑了干净数据集上的性能，而忽略了各种损坏场景中的图像。在这项工作中，我们全面建立了面向损坏不变性的行人重识别基准。我们对单模态和跨模态数据集的损坏不变性学习进行了详尽的研究，包括 Market-1501、CUHK03、MSMT17、RegDB、SYSU-MM01这5个数据集。在重现和检查最近 21 种行人重识别方法的鲁棒性后，我们有一些发现：1) 与基于 CNN 的模型相比，基于Transformer的模型对损坏的图像更鲁棒，2) 增加了随机擦除的概率 (一种常用的方法)增强方法会损害模型鲁棒性，3) 模型的跨数据集泛化能力随着损坏鲁棒性的增加而提高。通过分析上述观察，我们在单模态和跨模态行人重识别数据集上提出了一个强大的基线，从而提高了对各种形式的图片损坏的鲁棒性。

论文信息：

[1]Minghui Chen, Zhiqiang Wang, Feng Zheng. "Benchmarks for Corruption Invariant Person Re-identification" In Proceedings of the Neural Information Processing Systems Track on Datasets and Benchmarks 1 pre-proceedings (NeurIPS Datasets and Benchmarks 2021)

论文链接：

[https://datasets-benchmarks-proceedings.neurips.cc/paper/2021/hash/f457c545a9ded88f18ecee47145a72c0-Abstract-round2.html]

代码链接：

[https://github.com/MinghuiChen43/CIL-ReID]

视频讲者简介：

陈明辉，南方科技大学硕士生，研究方向为深度模型鲁棒性以及分布外泛化。

特别鸣谢本次论文速览主要组织者：

月度轮值AC：张正 (哈尔滨工业大学(深圳))、李爽 (北京理工大学)

季度责任AC：许永超 (武汉大学)