面向无监督跨域行人重识别的难样本校正
计算机视觉与模式识别
2021-06-15 v1
摘要
行人重识别(re-ID)在有监督学习方法中取得了巨大成功。然而,无监督跨域重识别任务仍然具有挑战性。本文提出一种难样本校正(HSR)学习方案,解决了基于聚类的原始方法易受目标无标签数据集中难正样本和难负样本影响的弱点。我们的HSR包含两部分:一种跨相机挖掘方法,帮助识别不同视角下的同一行人(难正样本);以及一种基于部件的齐次性技术,使模型能够区分外观相似的不同行人(难负样本)。通过校正这两类难样本,重识别模型能够有效学习,并在两个大规模基准上取得有前景的结果。
引用
@article{arxiv.2106.07204,
title = {Hard Samples Rectification for Unsupervised Cross-domain Person Re-identification},
author = {Chih-Ting Liu and Man-Yu Lee and Tsai-Shien Chen and Shao-Yi Chien},
journal= {arXiv preprint arXiv:2106.07204},
year = {2021}
}
备注
This paper was accepted by IEEE International Conference on Image Processing (ICIP) 2021