基于图一致性的均值教学用于无监督域自适应行人重识别
计算机视觉与模式识别
2021-06-01 v5 人工智能
摘要
近期工作表明，均值教学是无监督域自适应行人重识别的一种有效框架。然而，现有方法在教师网络与学生网络之间对所选样本进行对比学习，这种方法对伪标签中的噪声敏感，且忽略了大多数样本之间的关系。此外，这些方法在不同教师网络的协作方面效果不佳。为解决这些问题，本文提出一种基于图一致性的均值教学（GCMT）方法，并在教师网络与学生网络之间构建图一致性约束（GCC）。具体而言，给定无标签训练图像，我们应用教师网络提取相应特征，并进一步为每个教师网络构建教师图以描述训练图像之间的相似关系。为促进表征学习，将不同教师图融合以为优化学生网络提供监督信号。GCMT将不同教师网络预测的相似关系融合作为监督，并通过引入更多样本关系来有效优化学生网络。在 Market-1501、DukeMTMCreID 和 MSMT17 三个数据集上的实验表明，所提出的 GCMT 以明显优势优于最先进的方法。特别地，GCMT 甚至优于此前使用更深骨干网络的方法。实验结果还表明，GCMT 能有效提升多教师与多学生网络的性能。我们的代码可在 https://github.com/liu-xb/GCMT 获取。
引用
@article{arxiv.2105.04776,
title = {Graph Consistency Based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification},
author = {Xiaobin Liu and Shiliang Zhang},
journal= {arXiv preprint arXiv:2105.04776},
year = {2021}
}
备注
IJCAI 2021