基于耦合优化的域自适应行人重识别
计算机视觉与模式识别
2020-11-09 v1
摘要
域自适应行人重识别(ReID)由于目标场景中的域差距和标注匮乏而具有挑战性。为应对这两大挑战,本文提出一种耦合优化方法,分别包含域不变映射(DIM)方法与全局-局部距离优化(GLO)。不同于以往在两阶段中迁移知识的方法,DIM通过将带标签与无标签数据集中的图像映射至共享特征空间,实现了更高效的一阶段知识迁移。GLO旨在目标域上以无监督设置训练ReID模型。GLO不依赖于为监督训练设计的现有优化策略,而是将更多图像纳入距离优化,并对噪声标签预测具有更好的鲁棒性。GLO还集成了全局数据集与局部训练批次中的距离优化,从而展现出更好的训练效率。在Market-1501、DukeMTMC-reID和MSMT17三个大规模数据集上的大量实验表明,我们的耦合优化大幅优于当前最优(state-of-the-art)方法。我们的方法在无监督训练中也表现良好,甚至优于若干近期的域自适应方法。
引用
@article{arxiv.2011.03363,
title = {Domain Adaptive Person Re-Identification via Coupling Optimization},
author = {Xiaobin Liu and Shiliang Zhang},
journal= {arXiv preprint arXiv:2011.03363},
year = {2020}
}
备注
ACM MM 2020 Oral