通过非对称分支增强师生网络多样性用于无监督行人重识别
计算机视觉与模式识别
2020-11-30 v1
摘要
无监督行人重识别（Re-ID）的目标是在无需费力标注身份的情况下学习判别性特征。最先进的无监督 Re-ID 方法为目标域中无标签图像分配伪标签，并从这些含噪伪标签中学习。近期提出的均值教师模型是缓解标签噪声的一种有前景的方法。然而，在训练过程中，自集成师生网络迅速收敛至一致，导致陷入局部极小。我们探索在神经网络内部使用非对称结构来解决该问题。首先，提出非对称分支以不同方式提取特征，从而增强表观签名中的特征多样性。接着，我们提出的跨分支监督使一个分支获得来自另一分支的监督，从而迁移差异化知识并增强师生网络间的权重多样性。大量实验表明，我们所提方法在无监督域自适应和完全无监督 Re-ID 任务上均显著超越以往工作的性能。
引用
@article{arxiv.2011.13776,
title = {Enhancing Diversity in Teacher-Student Networks via Asymmetric branches for Unsupervised Person Re-identification},
author = {Hao Chen and Benoit Lagadec and Francois Bremond},
journal= {arXiv preprint arXiv:2011.13776},
year = {2020}
}
备注
WACV 2021