注意力 WaveBlock：用于行人重识别及更广领域无监督域适应的互补性增强互学习网络
计算机视觉与模式识别
2021-12-28 v3
摘要
行人重识别的无监督域适应（UDA）因源域和目标域之间的巨大差距而具有挑战性。一种典型的自训练方法是使用聚类算法生成的伪标签在目标域上迭代优化模型。然而，其缺点是带噪伪标签通常会给学习带来麻烦。为解决该问题，已提出一种基于双网络的互学习方法来产生可靠的软标签。但是，随着两个神经网络逐渐收敛，它们的互补性被削弱，并可能偏向同一类噪声。本文提出一种新颖的轻量级模块——注意力 WaveBlock（AWB），其可集成到互学习的双网络中，以增强互补性并进一步抑制伪标签中的噪声。具体而言，我们首先引入一个无参数模块 WaveBlock，它通过以不同方式波动特征图的块来创造两个网络所学特征之间的差异。然后，利用注意力机制放大所创造的差异并发现更多互补特征。此外，探索了两种组合策略，即注意力前和注意力后。实验表明，所提方法在多个 UDA 行人重识别任务上以显著提升取得了最先进的性能。我们还将该方法应用于车辆重识别和图像分类任务，证明了其通用性。我们的代码和模型可在 https://github.com/WangWenhao0716/Attentive-WaveBlock 获取。
引用
@article{arxiv.2006.06525,
title = {Attentive WaveBlock: Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-identification and Beyond},
author = {Wenhao Wang and Fang Zhao and Shengcai Liao and Ling Shao},
journal= {arXiv preprint arXiv:2006.06525},
year = {2021}
}
备注
Accept to Transaction on Image Processing