面向视频行人重识别域适应的相机对齐与加权对比学习
计算机视觉与模式识别
2022-11-08 v1
摘要
行人重识别(ReID)系统在大规模全标注图像数据集上训练时可达到高准确率。然而，与多样实际采集条件（如相机视角与光照）相关的域偏移可能导致性能显著下降。本文关注基于视频的 ReID 的无监督域适应(UDA)——一个相关但文献中较少探索的场景。在该场景中，ReID 模型必须基于航迹片段信息适应由多样视频相机网络定义的复杂目标域。当前最优方法对未标注目标数据进行聚类，但目标相机间（子域）的域偏移会导致聚类方法初始化不佳，并将噪声沿训练周期传播，从而阻碍 ReID 模型准确关联同身份样本。本文提出一种用于视频行人 ReID 的 UDA 方法，其利用视频航迹片段知识以及目标相机上所捕获帧的分布，来改善使用伪标签训练的 CNN 主干网络性能。我们的方法依赖于对抗式策略，引入相机判别网络以提取判别性的相机无关表示，便利后续聚类。此外，提出加权对比损失以利用聚类的置信度，并缓解错误身份关联的风险。在三个具挑战性的基于视频的行人 ReID 数据集——PRID2011、iLIDS-VID 与 MARS——上取得的实验结果表明，我们提出的方法优于相关当前最优方法。我们的代码见：\url{https://github.com/dmekhazni/CAWCL-ReID}
引用
@article{arxiv.2211.03626,
title = {Camera Alignment and Weighted Contrastive Learning for Domain Adaptation in Video Person ReID},
author = {Djebril Mekhazni and Maximilien Dufau and Christian Desrosiers and Marco Pedersoli and Eric Granger},
journal= {arXiv preprint arXiv:2211.03626},
year = {2022}
}
备注
IEEE/CVF Winter Conference on Applications of Computer Vision(WACV) 2023