利用样本不确定性进行域自适应行人重识别

许多无监督域自适应（UDA）行人重识别（ReID）方法将基于聚类的伪标签预测与特征微调相结合。然而，由于域间隙，伪标签并非总是可靠的，存在噪声/错误标签。这会误导特征表示学习并恶化性能。在本文中，我们提出估计并利用每个样本所分配伪标签的可信度，通过抑制噪声样本的贡献来缓解噪声标签的影响。我们使用均值教师（mean teacher）方法以及一个额外的对比损失构建基线框架。我们观察到，通过聚类得到错误伪标签的样本，其均值教师模型与学生模型输出之间的一致性通常较弱。基于这一发现，我们提出利用不确定性（由一致性水平衡量）来评估样本伪标签的可靠性，并将该不确定性纳入以重新加权其在各种 ReID 损失中的贡献，包括每个样本的身份（ID）分类损失、三元组损失和对比损失。我们的不确定性引导优化带来了显著改进，并在基准数据集上取得了最先进（state-of-the-art）的性能。