风格交错学习网络

跨域泛化更强

用交错风格特征分别更新特征提取器与分类器，避免模型过拟合源域风格，在多个大规模基准上一致超越现有方法。

Tan, Wentao · 丁长兴 · 王朋飞 · Gong, Mingming · 贾奎

IEEE Transactions on Multimedia 2023

技术优势

避免过拟合

交错风格特征用于不同前向传播，分别更新特征提取器和分类器，防止模型过拟合特定域风格。

泛化更强

模型在多个大规模基准上一致优于现有方法，证明跨域泛化能力显著提升。

计算更省

与其他DG ReID方法相比，计算效率具有明显优势。

应用场景

• 行人重识别：无需目标域数据训练即可部署到新场景。
• 跨域泛化：用交错风格特征更新模型，避免过拟合源域风格。
• 机器人视觉：提高机器人在未知环境中的行人识别鲁棒性。
• 视频监控：跨摄像头行人追踪无需目标场景数据标注。
• 边缘计算：计算高效，适合资源受限的边缘设备部署。