CANU-ReID：一种用于无监督行人重识别的条件对抗网络
计算机视觉与模式识别
2020-04-29 v2
摘要
无监督行人重识别是指在训练期间目标数据集的ID标签不可用的情形下识别该数据集中人物的任务。本文中，我们提出统一无监督行人重识别的两大趋势：聚类与微调以及对抗学习。一方面，聚类将训练图像分组为伪ID标签，并用它们微调特征提取器。另一方面，受域适应启发，使用对抗学习来匹配来自不同域的分布。由于目标数据分布于不同摄像机视角下，我们提出将每个摄像机建模为独立域，并旨在学习域无关特征。直接的对抗学习会产生负迁移，因此我们引入条件向量来缓解这一不良效应。在我们的框架中，视觉样本所属簇的质心被用作条件对抗网络的条件向量，该向量具有置换不变性（簇的排序无关紧要）且其大小与簇的数量无关。据我们所知，我们首次提出将条件对抗网络用于无监督行人重识别。我们在四种不同实验设置、三个不同数据集上基于两种最先进的基于聚类的无监督行人重识别（re-ID）方法评估了所提架构，并在全部四种设置上确立了新的SOTA性能。我们的代码与模型将公开于 https://team.inria.fr/perception/canu-reid/。
引用
@article{arxiv.1904.01308,
title = {CANU-ReID: A Conditional Adversarial Network for Unsupervised person Re-IDentification},
author = {Guillaume Delorme and Yihong Xu and Stephane Lathuilière and Radu Horaud and Xavier Alameda-Pineda},
journal= {arXiv preprint arXiv:1904.01308},
year = {2020}
}