利用非真实数据集的领域可泛化行人搜索

收集和标注真实数据集以训练行人搜索网络不仅需要耗费大量时间和精力，还伴随着隐私问题。目前已提出弱监督和无监督领域自适应方法来减轻目标数据集的标注负担，然而其泛化能力有限。我们引入了一种基于领域泛化框架的新型行人搜索方法，该方法仅使用自动标注的非真实数据集进行训练，但适用于任意未见过的真实数据集。为了减轻从非真实源数据集向真实目标数据集迁移知识时的领域差距，我们估计了行人实例的保真度，随后将其用于自适应地训练端到端网络。此外，我们设计了一种领域不变特征学习方案，以鼓励网络抑制领域相关特征。实验结果表明，即使该方法适用于任意未见过的数据集且没有任何先验知识和重训练负担，其性能仍与现有的行人搜索方法相当。