用于无监督跨域行人重识别的非对称协同教学
计算机视觉与模式识别
2019-12-04 v1
摘要
行人重识别（re-ID）由于身份样本和成像条件的高方差而是一项具有挑战性的任务。尽管深度学习最近的进展在固定场景（即源域）中取得了显著的准确率，但很少有工作能在未见过的目标域上很好地泛化。一种流行的解决方案是通过聚类为无标签目标图像分配伪标签，然后重新训练模型。然而，聚类方法往往引入噪声标签并将低置信度样本作为离群值丢弃，这可能阻碍重新训练过程并从而限制泛化能力。在本研究中，我们认为通过在聚类后显式添加样本过滤过程，可以更有效地利用挖掘出的样本。为此，我们设计了一个非对称协同教学框架，该框架通过协作两个模型为彼此选择可能具有干净标签的数据来抵抗噪声标签。同时，其中一个模型接收尽可能纯净的样本，而另一个接收尽可能多样的样本。该过程鼓励所选训练样本既干净又混杂，并且两个模型可以迭代地相互促进。大量实验表明，所提出的框架可以持续惠及大多数基于聚类的方法，并提升最先进的自适应准确率。我们的代码可在 https://github.com/FlyingRoastDuck/ACT_AAAI20 获取。
引用
@article{arxiv.1912.01349,
title = {Asymmetric Co-Teaching for Unsupervised Cross Domain Person Re-Identification},
author = {Fengxiang Yang and Ke Li and Zhun Zhong and Zhiming Luo and Xing Sun and Hao Cheng and Xiaowei Guo and Feiyue Huang and Rongrong Ji and Shaozi Li},
journal= {arXiv preprint arXiv:1912.01349},
year = {2019}
}
备注
Accepted by AAAi 2020