面向域自适应行人重识别的组感知标签迁移

无监督域自适应（UDA）行人重识别（ReID）旨在将在一个有标注的源域数据集上训练的模型适配到一个无任何进一步标注的目标域数据集。最成功的 UDA-ReID 方法将基于聚类的伪标签预测与表示学习相结合，并以交替方式执行这两个步骤。然而，这两个步骤之间的离线交互可能使带噪伪标签严重阻碍模型的能力。本文提出一种组感知标签迁移（GLT）算法，其实现了伪标签预测与表示学习的在线交互与相互促进。具体而言，一种标签迁移算法在利用伪标签训练数据的同时，作为在线聚类算法精炼伪标签。它将在线标签精炼问题视为一个最优传输问题，探索将 M 个样本分配给 N 个伪标签的最小代价。更重要的是，我们引入一种组感知策略，为样本分配隐式属性组 ID。在线标签精炼算法与组感知策略的结合能够以在线方式更好地纠正带噪伪标签，并缩小目标身份的搜索空间。所提 GLT 的有效性由实验结果（Rank-1 准确率）证实：Market1501$\to$DukeMTMC（82.0%）与 DukeMTMC$\to$Market1501（92.2%），显著缩小了行人重识别中无监督与有监督性能之间的差距。