用于无监督行人重识别的全局距离分布分离
计算机视觉与模式识别
2020-07-13 v3
摘要
有监督行人重识别（ReID）由于域差距和目标域数据缺乏标注，在真实部署中往往可扩展性和可用性较差。通过域适应的无监督行人ReID颇具吸引力但充满挑战。现有无监督ReID方法常无法通过基于距离的匹配/排序正确识别正样本和负样本。正样本对（Pos-distr）与负样本对（Neg-distr）的距离分布往往分离不佳，存在较大重叠。为解决该问题，我们引入一种针对两个分布的全局距离分布分离（GDS）约束，从全局视角鼓励正、负样本的清晰分离。我们将两个全局距离分布建模为高斯分布，并在无监督训练过程中推动两分布相互远离，同时鼓励其尖锐性。特别地，为从全局视角建模分布并便于分布及GDS相关损失的及时更新，我们利用动量更新机制来构建和维护分布参数（均值与方差），并在训练过程中即时计算损失。我们提出了基于分布的难样本挖掘，以进一步促进两分布的分离。我们在无监督ReID网络上验证了GDS约束的有效性。在多个ReID基准数据集上的大量实验表明，我们的方法相较基线有显著提升，并取得了最先进的性能。
引用
@article{arxiv.2006.00752,
title = {Global Distance-distributions Separation for Unsupervised Person Re-identification},
author = {Xin Jin and Cuiling Lan and Wenjun Zeng and Zhibo Chen},
journal= {arXiv preprint arXiv:2006.00752},
year = {2020}
}
备注
Accepted by ECCV2020