无监督跨域图像检索的特征表示学习
计算机视觉与模式识别
2022-07-21 v1
摘要
当前有监督跨域图像检索方法可取得优异性能。然而，数据收集与标注的成本给实际部署带来了难以逾越的障碍。本文研究无监督跨域图像检索任务，其中类标签与配对标注不再是训练的前提条件。这是一项极具挑战性的任务，因为无论域内特征表示学习还是跨域对齐都缺乏监督。我们引入以下两点应对上述挑战：1) 一种新的簇级对比学习机制，以帮助提取类语义感知特征；2) 一种新颖的距离之距离损失，以在无任何外部监督下有效度量并最小化域间差异。在 Office-Home 与 DomainNet 数据集上的实验一致表明，我们的框架在图像检索准确率上优于当前最优方法。我们的源代码见 https://github.com/conghuihu/UCDIR。
引用
@article{arxiv.2207.09721,
title = {Feature Representation Learning for Unsupervised Cross-domain Image Retrieval},
author = {Conghui Hu and Gim Hee Lee},
journal= {arXiv preprint arXiv:2207.09721},
year = {2022}
}
备注
ECCV2022