重新思考基于摄像机的批量归一化在人员再识别中的分布差异问题

人员重识别（ReID）的基本难题在于学习不同摄像头之间的对应关系。这需要高昂的跨摄像头注释成本，然而训练好的模型并不能保证在以前未见过的摄像头中表现良好。这些问题极大地限制了ReID的应用。本文重新审视了传统ReID方法的工作机制，并提出了一种新的解决方案。通过一种名为基于摄像头的批归一化（Camera-based Batch Normalization, CBN）的有效算子，我们强制所有摄像头的图像数据落在同一子空间内，从而大幅缩小任意一对摄像头之间的分布差异。这种对齐带来了两个好处。首先，训练好的模型在包含未见过摄像头的不同场景中具有更好的泛化能力，同时也能在多个训练集之间实现良好的迁移。其次，我们可以依赖之前因缺乏跨摄像头信息而被低估的单个摄像头注释来实现具有竞争力的ReID性能。广泛的实验结果表明了我们方法的有效性。代码已发布在 https://github.com/automan000/Camera-based-Person-ReID。