本文提出了一种针对于ReID的生成对抗网络PTGAN,可以实现不同ReID数据集的行人图片迁移,在保证行人本体前景不变的情况下,将背景转换成期望的数据集style。另外本文还提出一个大型的ReID数据集MSMT17,这个数据集包括多个时间段多个场景,包括室内和室外场景,是一个非常有挑战的数据集。论文用PTGAN来缩小不同数据集间的domain gap,并在新提出的MSMT17这个大数据集和其他一些公开的小数据集上做了实验。
MSMT17是一个大型的ReID数据集,现在的一些公开数据集的准确度已经被刷得很高,这个数据集的提出进一步延续了ReID的发展。不过数据集目前还有公开,等待论文接收后数据集可以公开。
MSMT17数据集有以下几个特性:
- 数据采集时长约为180小时
- 总共有15个相机,其中12个室外相机,3个室内相机
- 行人框由Faster RCNN机标完成
- 最后总共有4101个行人的126441个bounding boxes
上图是MSMT17数据集和已有的ReID数据集的对比。
Person Transfer GAN (PTGAN)是作者提出的一个针对于ReID问题的GAN。这个GAN最大的特点就是在尽可能保证行人前景不变的前提下实现背景domain的迁移。
首先PTGAN网路的损失函数包括两部分:
首先PTGAN的基础是CycleGAN,所以loss也和正常的CycleGAN的loss差不错。首先第一部分是 LStyle ,这个就是标准的CycleGAN的判别loss
可以看出,直观上和传统的CycleGAN相比能够更好的保证行人的ID信息。
实验结果如上表,虽然论文没有用特别复杂的网络来训练,但是将另外一个数据集通过PTGAN迁移到MSMT上都能增加MSMT17数据集上的performance。并且从准确度上看MSMT17还是一个非常难的数据集。