Page 276 - 《软件学报》2020年第9期

祁磊 等:弱监督场景下的行人重识别研究综述 2897

6 总 结

本文主要总结了弱监督场景下的行人重识别算法,包括无监督场景和半监督场景,并且对近年的方法进行
了分类和描述.对于无监督的行人重识别算法,我们根据其技术类型划分为 5 类,分别为基于伪标记的方法、基
于图像生成的方法、基于实例分类的方法、基于领域自适应的方法和其他类型的方法.对于半监督的行人重识
别方法,根据其场景类型划分为 4 类,分别为少量的人有标记的场景、每一个人有少量标记的场景、基于 tracklet
学习的场景和摄像头內有标记但摄像头间无标记的场景.最后,我们对当前行人重识别的相关数据集进行总结,
并对现有的弱监督方法的实验结果进行总结与分析.
研究弱监督场景下的行人重识别问题,能够帮助行人重识别技术更好地拓展到现实应用中.而基于弱监督
场景下的行人重识别算法,其着重研究利用无标记或少量标记的数据来学习具有更好泛化性能的模型.对该领
域的探索不仅具有理论价值,还有很高的应用价值.该领域虽然在近年来得到了一定的关注,但目前仍然不能完
全达到有监督场景下的性能.该领域仍然有一些研究问题亟待解决.
(1) 实例间的关系评估
基于实例分类的无监督方法在近年来得到了广泛的关注,但其主要的挑战集中在如何有效地挖掘每个样
本之间的实际关系,即:以一对样本而言,观察它们是否属于相同的类别.如果所有样本之间的关系能够被很好
地评估,那么这一类方法的性能将等价于有监督场景下的行人重识别任务的性能.
(2) 领域泛化问题
虽然弱监督场景下的行人重识别算法相比于传统的有监督场景更能够有利于应用到现实当中,然而这些
方法仍然需要收集无标记的样本来学习.在将来,通用性的行人重识别算法也许是该领域能够真正落地的一大
发展趋势,即:只通过在现有的数据进行训练,就能够很好地泛化到其他未见场景中.这也是实现通用人工智能
技术的必要的一条路.我们首先需要解决单一任务上的通用型,才能进一步去探索在不同任务上的通用性.这一
类问题结合风格迁移和元学习的相关方法或许将在未来的研究中展现出很大的前景.

References:
[1] Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. ImageNet: A large-scale hierarchical image database. In: Proc. of the IEEE
Conf. on Computer Vision and Pattern Recognition. IEEE, 2009. 248−255.
[2] Yang T, Li J, Pan Q, Zhang YN. Scene modeling and statistical learning based robust pedestrian detection algorithm. Acta
Automatica Sinica, 2010,36(4):499−508 (in Chinese with English abstract).
[3] Guo LJ, Liu X, Zhao JY, Shi ZZ. Pedestrian detection method of integrated motion information and appearance features. Ruan Jian
Xue Bao/Journal of Software, 2012, 23(2):299−309 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/4030.htm
[doi: 10.3724/SP.J.1001.2012.04030]
[4] Liu W, Duan CW, Yu B, Chai LY, Yuan H, Zhao H. Multi-pose pedestrian detection based on posterior hog feature. Acta
Electronica Sinica, 2015,43(2):217−224 (in Chinese with English abstract).
[5] Gao JY, Yang XS, Zhang TZ, Xu CS. Robust visual tracking method via deep learning. Chinese Journal of Computers,
2016,39(7):1419−1434 (in Chinese with English abstract).
[6] Du YN, Ai HZ. Learning quadratic similarity function for pedestrian re-identification. Chinese Journal of Computers,
2016,39(8):1639−1651 (in Chinese with English abstract).
[7] Sang HF, Wang CZ, Lv YY, He DK, Liu Q. Person re-identification based on multi-information flow convolutional neural network.
Acta Electronica Sinica, 2019,47(2):97−103 (in Chinese with English abstract).
[8] Matsukawa T, Okabe T, Suzuki E, Sato Y. Hierarchical Gaussian descriptor for person re-identification. In: Proc. of the IEEE Conf.
on Computer Vision and Pattern Recognition. 2016. 1363−1372.
[9] Liao SC, Hu Y, Zhu XY, Li SZ. Person re-identification by local maximal occurrence representation and metric learning. In: Proc.
of the IEEE Conf. on Computer Vision and Pattern Recognition. 2015. 2197−2206.
[10] Yang Y, Yang JM, Yan JJ, Liao SC, Yi D, Li SZ. Salient color names for person re-identification. In: Proc. of the European Conf.
on Computer Vision. Cham: Springer-Verlag, 2014. 536−551.