基于解耦的跨域特征增强用于高效无监督域自适应行人重识别
计算机视觉与模式识别
2021-03-26 v1
摘要
无监督域自适应（UDA）行人重识别（ReID）旨在将知识从有标签的源域迁移到无标签的目标域以进行行人匹配。一个挑战是如何生成带有可靠标签的目标域样本用于训练。为解决该问题，我们提出了一种基于解耦的跨域特征增强（DCDFA）策略，其中增强的特征良好刻画了目标域和源域的数据分布，同时继承了可靠的身份标签。具体而言，我们将每个样本特征解耦为一个鲁棒的域不变/共享特征和域特定特征，并执行跨域特征重组以增强训练中所用样本的多样性，并受跨域ReID损失和域分类损失的约束。每个重组特征基于域不变特征（实现身份可靠继承）和来自域特定特征的增强（实现真实分布逼近）获得，因此是一种“理想”的增强。大量实验结果证明了我们方法的有效性，其达到了当前最优性能。
引用
@article{arxiv.2103.13917,
title = {Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification},
author = {Zhizheng Zhang and Cuiling Lan and Wenjun Zeng and Quanzeng You and Zicheng Liu and Kecheng Zheng and Zhibo Chen},
journal= {arXiv preprint arXiv:2103.13917},
year = {2021}
}