域自适应行人搜索
计算机视觉与模式识别
2022-07-26 v1
摘要
行人搜索是一项旨在实现联合行人检测与行人重识别（ReID）的具有挑战性的任务。先前工作在完全监督和弱监督设定下取得了显著进展。然而，现有方法忽视了行人搜索模型的泛化能力。在本文中，我们更进一步提出域自适应行人搜索（DAPS），旨在将模型从有标签的源域泛化到无标签的目标域。这一新设定下出现两大挑战：一是如何同时解决检测和 ReID 任务的域错位问题，二是如何在目标域缺乏可靠检测结果的情况下训练 ReID 子任务。为应对这些挑战，我们提出了一个带有两项专门设计的强基线框架。1）我们设计了一个包含图像级和任务敏感实例级对齐的域对齐模块，以最小化域差异。2）我们利用动态聚类策略充分利用无标签数据，并采用伪边界框来支持目标域上的 ReID 和检测训练。借助上述设计，我们的框架在 PRW 数据集上取得了 34.7% 的 mAP 和 80.6% 的 top-1，大幅超越直接迁移基线。令人惊讶的是，我们的无监督 DAPS 模型性能甚至超越了一些完全监督和弱监督方法。代码已发布于 https://github.com/caposerenity/DAPS。
引用
@article{arxiv.2207.11898,
title = {Domain Adaptive Person Search},
author = {Junjie Li and Yichao Yan and Guanshuo Wang and Fufu Yu and Qiong Jia and Shouhong Ding},
journal= {arXiv preprint arXiv:2207.11898},
year = {2022}
}
备注
Accepted by ECCV 2022 Oral presentation