探究用于无监督域自适应行人重识别的概率不确定性
计算机视觉与模式识别
2022-04-29 v2
摘要
基于聚类的无监督域自适应（UDA）行人重识别（ReID）减少了繁重的标注工作。然而，由于特征嵌入不理想以及聚类不完美，目标域数据的伪标签 inherently 含有未知比例的错标样本，这会误导特征学习。本文提出一种名为概率不确定性引导的渐进式标签精炼（PLR）的方法，用于域自适应行人重识别。首先，我们提出利用沿理想单峰分布的概率距离对标注不确定性进行建模，并建立量化准则来衡量伪标签的不确定性，从而促进网络训练。其次，我们探索了一种渐进式策略来精炼伪标签。通过不确定性引导的交替优化，我们在目标域数据的探索与噪声标注的负面影响之间取得平衡。在强基线之上，我们取得了显著提升，并在四个 UDA ReID 基准上达到了最先进的性能。具体而言，我们的方法在 Duke2Market 任务上比基线高出 6.5% mAP，同时在 Market2MSMT 任务上超越最先进方法 2.5% mAP。
引用
@article{arxiv.2112.14025,
title = {Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification},
author = {Jian Han and Ya-Li li and Shengjin Wang},
journal= {arXiv preprint arXiv:2112.14025},
year = {2022}
}
备注
Accepted by AAAI2022