用于人员再识别的姿态归一化图像生成

人员重识别（re-id）面临两大挑战：跨视角配对训练数据的缺乏以及在存在较大姿态变化的情况下学习具有区分性的身份敏感且视角不变的特征。在这项工作中，我们通过提出一种新颖的深度人员图像生成模型来解决这两个问题，该模型能够在给定姿态条件下生成逼真的人员图像。该模型基于专门为re-id中的姿态归一化设计的生成对抗网络（GAN），因此被称为姿态归一化GAN（PN-GAN）。利用生成的图像，我们可以学习一种新的深度re-id特征，这种特征不受姿态变化的影响。我们证明了这种特征本身非常强大，并且与使用原始图像学习到的特征互补。尤为重要的是，在迁移学习设置下，我们展示了我们的模型可以很好地泛化到任何新的re-id数据集，而无需收集用于模型微调的训练数据。因此，该模型具有使re-id模型真正可扩展的潜力。