ANL：面向跨域行人重识别的抗噪声学习
计算机视觉与模式识别
2020-12-29 v1
摘要
由于缺乏标注以及域间差异，跨域设定下的行人重识别研究具有挑战性。一种令人赞赏的方法是通过聚类为无标注样本分配伪标签来优化目标模型。通常，由于域间隙，预训练源域模型无法提取恰当的目标域特征，这将显著影响聚类性能与伪标签的准确性。大量标签噪声无疑会导致次优解。为解决这些问题，我们提出一种抗噪声学习（ANL）方法，其包含两个模块。特征分布对齐（FDA）模块通过相机级对比学习与对抗自适应，旨在聚集身份相关样本并分散身份无关样本，为聚类创建友好的跨特征基础以减小聚类噪声。此外，可靠样本选择（RSS）模块利用辅助模型为主模型纠正噪声标签并筛选可靠样本。为有效利用聚类算法与RSS模块产生的离群信息，我们在实例级训练这些样本。实验表明，我们提出的ANL框架能有效减小域冲突并缓解噪声样本的影响，且相比当前最优（SOTA）方法具有更优性能。
引用
@article{arxiv.2012.13853,
title = {ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification},
author = {Hongliang Zhang and Shoudong Han and Xiaofeng Pan and Jun Zhao},
journal= {arXiv preprint arXiv:2012.13853},
year = {2020}
}
备注
12 pages, 6 figures, 6 tables