面向无监督域自适应行人重识别的相机驱动表征学习

我们提出了一种新颖的行人重识别（reID）无监督域自适应方法，可将标注源域上训练的模型泛化至无标注目标域。我们引入了相机驱动课程学习（CaCL）框架，利用行人图像的相机标签逐步将知识从源域迁移至目标域。为此，我们基于相机标签将目标域数据集划分为多个子集，并最初仅用单个子集（即单一相机拍摄的图像）训练模型。随后，根据相机驱动调度规则获得的课程序列，逐步利用更多子集进行训练。调度器考虑每个子集与源域数据集之间的最大均值差异（MMD），使得更接近源域的子集在课程中更早被利用。对于每个课程序列，我们生成目标域中行人图像的伪标签，以有监督方式训练 reID 模型。我们观察到伪标签高度偏向相机，即即便 ID 不同，同一相机获取的行人图像也往往具有相同的伪标签。为解决相机偏差问题，我们还引入了相机多样性（CD）损失，鼓励具有相同伪标签但由不同相机拍摄的行人图像更多地参与判别性特征学习，从而提供对跨相机变化鲁棒的行人表征。在包含真实到真实与合成到真实场景的标准基准上的实验结果证明了我们框架的有效性。