喜报 | 我所一篇关于目标重识别的研究被多媒体领域知名期刊TOMM录用

发布时间：2024年06月05日

      我所的一篇论文Style Variable and Irrelevant Learning for Generalizable Person Re-identification被计算机视频处理与多媒体分析领域的权威期刊ACM Transactions on Multimedia Computing, Communications, and Applications录用，论文由我所吕凯老师、林友芳老师与北航、旷世等单位共同完成。

      域泛化行人再识别（Domain Generlizable Person Re-Identification，DG-ReID）由于监督再识别在未见过的域上表现不佳，近年来受到了广泛关注。域泛化的目标是开发一种对域偏差不敏感并且能够在不同域上表现良好的模型。在本文中，我们进行了一系列实验来验证风格因素在域偏差中的重要性。具体来说，这些实验旨在确认不同域之间的风格偏差显著地导致了域偏差。基于这一观察，我们提出了风格变动与无关学习（Style Variable and Irrelevant Learning，SVIL）方法，以消除风格因素对模型的影响。具体来说，我们采用了一个风格扰动模块（Style Jitter Module，SJM），该模块增强了特定源域的风格多样性并减少了各种源域之间的风格差异。这样可以使模型专注于与身份相关的信息并对风格变化具有鲁棒性。我们还将SJM模块与元学习算法相结合，以进一步增强模型的泛化能力。值得注意的是，我们的SJM模块易于实现，并且不会增加任何推理成本。