面向无监督车辆重识别的跨域知识迁移
计算机视觉与模式识别
2019-03-20 v1
摘要
车辆重识别（reID）是在具有非重叠视角的不同摄像头中识别目标车辆。当将训练良好的模型直接部署到新数据集时，由于数据集间差异（称为域偏差）会导致严重的性能下降。为解决此问题，本文提出一种域适应框架，包含名为车辆迁移生成对抗网络（VTGAN）的图像到图像翻译网络以及基于注意力的特征学习网络（ATTNet）。VTGAN 可使来自源域（标注良好）的图像具有目标域（无标注）的风格，并保留源域的身份信息。为进一步提升对各种背景的域适应能力，提出 ATTNet，利用注意力结构对生成图像进行车辆重识别训练。综合实验结果清楚表明，我们的方法在 VehicleID 数据集上取得了优异性能。
引用
@article{arxiv.1903.07868,
title = {Cross Domain Knowledge Transfer for Unsupervised Vehicle Re-identification},
author = {Jinjia Peng and Huibing Wang and Tongtong Zhao and Xianping Fu},
journal= {arXiv preprint arXiv:1903.07868},
year = {2019}
}