面向无监督行人重识别的自适应探索方法

由于域偏差，直接部署在一个数据集上训练的深度行人重识别(re-ID)模型在另一个数据集上往往精度显著下降。本文提出一种自适应探索(AE)方法，以无监督方式解决重识别中的域偏移问题。具体而言，在目标域中，诱导重识别模型：1)最大化所有行人图像之间的距离；2)最小化相似行人图像之间的距离。在第一种情况下，将每张行人图像视为一个独立类别，利用带有特征记忆的非参数分类器促使行人图像彼此远离。在第二种情况下，根据相似度阈值，我们的方法在特征空间中为每张行人图像自适应地选择邻域。将这些相似行人图像视为同一类别，非参数分类器迫使它们保持更近。然而，自适应选择存在一个问题：当一张图像拥有过多邻域时，它更可能吸引其他图像成为其邻域。结果，少数图像可能选择大量邻域，而大多数图像仅拥有少量邻域。为解决此问题，我们额外将一种平衡策略集成到自适应选择中。我们以两种协议评估我们的方法。第一种称为“仅目标域重识别”，其中仅使用无标签目标数据进行训练。第二种称为“域自适应重识别”，其中训练时同时使用源域数据与目标域数据。在大规模重识别数据集上的实验结果证明了我们方法的有效性。我们的代码已发布于 https://github.com/dyh127/Adaptive-Exploration-for-Unsupervised-Person-Re-Identification。