基于样本丢弃与特征多样性学习的无监督域自适应行人重识别
计算机视觉与模式识别
2022-01-26 v1
摘要
基于聚类的方法已被证明在处理无监督域自适应行人重识别(ReID)任务方面是有效的。然而,沿此路线的现有工作在整个训练过程中仍受噪声伪标签和不可靠泛化能力的困扰。为解决这些问题,本文提出一种新方法,通过限制噪声伪标签来学习具有更好泛化能力的特征表示。首先,我们提出一种样本丢弃(SD)方法,以防止模型训练陷入由频繁被分配噪声伪标签的样本所引起的恶性循环。此外,我们在经典的互教架构下提出了一种称为特征多样性学习(FDL)的全新方法,其能显著提升特征表示在目标域上的泛化能力。实验结果表明,我们提出的 FDL-SD 在多个基准数据集上达到了最先进的性能。
引用
@article{arxiv.2201.10212,
title = {Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification},
author = {Chunren Tang and Dingyu Xue and Dongyue Chen},
journal= {arXiv preprint arXiv:2201.10212},
year = {2022}
}