面向域自适应行人重识别的双流互易解耦学习
计算机视觉与模式识别
2021-10-04 v2
摘要
由于目标集无需人工标注样本，无监督行人重识别（Re-ID）近年来通过额外利用源集而备受关注。然而，由于相机风格、光照与背景的差异，源域与目标域间存在较大鸿沟，给跨域匹配带来巨大挑战。为解决该问题，本文提出一种名为双流互易解耦学习（DRDL）的新方法，其在学习域不变特征方面十分高效。在DRDL中，首先构建两个编码器分别提取身份相关与身份无关特征，并各自由相应分类器度量。进而，在对抗学习策略下，两流互易且正向影响彼此，从而使身份相关与身份无关特征从给定图像中完全解耦，令编码器足以获取判别性强且域不变的特征。与现有方法不同，我们所提方法无需图像生成，不仅显著降低了计算复杂度，还去除了身份相关特征中的冗余信息。大量实验证实了所提方法相对于当前最优方法的优越性。源代码已发布于https://github.com/lhf12278/DRDL。
引用
@article{arxiv.2106.13929,
title = {Dual-Stream Reciprocal Disentanglement Learning for Domain Adaptation Person Re-Identification},
author = {Huafeng Li and Kaixiong Xu and Jinxing Li and Guangming Lu and Yong Xu and Zhengtao Yu and David Zhang},
journal= {arXiv preprint arXiv:2106.13929},
year = {2021}
}
备注
14 pages,8 figures