面向行人重识别无监督域自适应的互补伪标签方法

近年来，有监督的行人重识别（re-ID）模型受到越来越多的研究关注。然而，这些在源域上训练的模型在未见域上测试时往往出现严重的性能下降。现有方法主要通过使用伪标签来缓解该问题。其中最成功的方法之一是为每个无标签图像预测其近邻，然后利用这些近邻训练模型。尽管预测的近邻是可信的，但它们总是遗漏一些困难正样本，这可能阻碍模型发现无标签域的重要判别信息。本文为补充这些低召回率的近邻伪标签，提出一种联合学习框架，通过高精度近邻伪标签和高召回率组伪标签来学习更好的特征嵌入。组伪标签通过将不同样本的近邻传递性地合并为一个组以达成更高的召回率。然而，由于近邻预测的不完美，合并操作可能导致组内出现子组。为恰当利用这些组伪标签，我们提出使用相似度聚合损失，通过将输入样本拉向最相似的嵌入来缓解这些子组的影响。在三个大规模数据集上的大量实验表明，我们的方法在无监督域自适应 re-ID 设定下能够达到最先进的性能。