论文分为数据集和图像风格迁移算法（两个数据集之间）两部分：

这是属于无监督的迁移，GAN

Motivation:

1.数据集和现实的区别：1.规模小2.场景单一 3.光照单一

解决：因此提出了更为复杂的数据集MSMT17。

2.想解决训练集测试集不均衡的问题：（目前训练测试集基本上时1：1的比例）

方法：重用之前的别的数据集训练。但是数据集之前的gap导致识别率低。

Multi-SceneMulti-Time person ReID dataset

1）更大的身份数，边界框和相机。

126,441bounding boxes of 4,101 identities

2）复杂的场景和背景。

校园内15个摄像机网络。12个户外摄像机和3个室内摄像机。一个月内选择不同天气条件的4天进行视频采集。每天早上，中午和下午分别拍摄3小时的视频。它比以前的数据集更适合场景模拟，但会带来严重的照明变化。

3）多个时隙导致严重的照明变化。

MSMT17包含最多数量的相机，即放置在不同位置的15个相机。它还与室内和户外视频一起构建，并未考虑在以前的数据集中。这些考虑导致复杂的背景和照明变化，也使MSMT17更具吸引力和挑战性。

4）更可靠的包围盒检测器。

与DPM相比，FasterRCNN [26]是实际应用中边界框检测的更好选择，例如更容易实现并且更准确。

视角与Market1501类似。出现在4个摄像机下的情况最多。

他们之前的一下工作在这个数据集上的测试

图像风格迁移（两个数据集之间）：

在一个dataset上训练，在另一个dataset上测试往往效果不好。

因此提出：Person Transfer Generative Adversarial Network (PTGAN) .

来自A数据集中被转移的人希望保持他们的身份，同时呈现与B数据集中的人物类似的风格，例如背景，照明等。

在Cycle-GAN基础上做的，但对人的身份有额外限制以确保传输的图像可用于模型训练。

前景框保证人不会变太多。

loss function 如下

进行风格转移和身份不会变太多。

其中：L_style中，G表示从A到B和G的样式映射函数，-G表示从B到A的样式映射函数.DA和DB分别是A和B的样式鉴别器。

L_ID：其中G（a）代表来自图像a的被转移人物图像，并且M（a）代表人物图像a的前景蒙版。本论文使用PSPNet人物图像上的mask。

转移效果：

测试性能:

这个性能表很有意思的是，直接transfer to测试集的效果没有很好。但是训练集用trans to训练集+测试集来做训练，效果提升一倍。这说明，对于小数据集而已，query镜头和gallery镜头下的信息都必不可少！学习两个镜头下的差异非常有帮助！

作者主页：

一些综述类的介绍：

哈哈哈北大这老师做了一张跟我之前做的一样丑的图。

应用：

里程碑发展：

发展

Person Transfer GAN to Bridge Domain Gap for Person Re-Identification（PTGAN+MSMT17）相关推荐

Person Transfer GAN to Bridge Domain Gap for Person Re-Identiﬁcation论文阅读
题目 Person Transfer GAN to Bridge Domain Gap for Person Re-Identiﬁcation 摘要本文提出了一种针对于ReID的生成对抗网络PTGA ...
Day4：应用层——FTP :文件传输协议、电子邮件（EMail）、DNS(Domain Name System)、P2P应用（一类应用）
加油!偷博人! 一.FTP文件传输协议  向远程主机上传输文件或从远程主机接收文件  客户/服务器模式  客户端:发起传输的一方  服务器:远程主机  ftp: RFC 959  ftp服 ...
解决了bridge到blender的2个问题（导入+材质）
记录帖第一个是这个问题,就是点导入然后提示port28888什么的那个错误. 解决办法就是找到bridge下载材质的那个文件夹,目录下的MSPlugin文件夹,这个就是导入到blender所需要的插 ...
GAN在短视频中的AI特效实践（PPT演示）
目录导读 01背景介绍 02业务应用 03问题分析 CVPR 2020GAN论文梳理汇总导读近年来,以GAN为代表的生成式技术在学术界取得蓬勃发展.在工业界,基于生成式技术的真实感效果也引领了一 ...
domain gap(域间隙)是什么？==＞在一个数据集上训练好的模型无法应用在另一个数据集上
不同数据集之间存在domain gap,在一个数据集上训练模型,在另外一个数据集上进行预测性能下降很大 re-id(视频行人重识别问题) 现有公开的数据集与真实场景存在很大不同,不同re-id的数据集 ...
Domain adaptation：连接机器学习（Machine Learning）与迁移学习（Transfer Learning）
domain adaptation(域适配)是一个连接机器学习(machine learning)与迁移学习(transfer learning)的新领域.这一问题的提出在于从原始问题(对应一个 so ...
GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来（附PPT）
机器之心原创作者:机器之心分析师加号.吴攀当地时间 12 月 5 日,机器学习和计算神经科学的国际顶级会议第 30 届神经信息处理系统大会(NIPS 2016)在西班牙巴塞罗那开幕.OpenAI ...
【Ian Goodfellow 强推】GAN 进展跟踪 10 大论文（附下载）
1. Progressive Growing of GANs for Improved Quality, Stability, and Variation Tero Karras, Timo Aila ...
干货！MetaCorrection：解决无监督域适应的domain gap问题
点击蓝字关注我们 AI TIME欢迎每一位AI爱好者的加入! 无监督域适应(UDA)旨在把知识从有标签源域数据迁移到无标签目标域数据上.现有的基于自训练(self-training)的UDA方法为目 ...

Person Transfer GAN to Bridge Domain Gap for Person Re-Identification（PTGAN+MSMT17）

图像风格迁移（两个数据集之间）：

Person Transfer GAN to Bridge Domain Gap for Person Re-Identification（PTGAN+MSMT17）相关推荐

最新文章

热门文章