保持自相似性与域差异性的图像-图像域适应方法用于行人重识别
计算机视觉与模式识别
2018-05-16 v3
摘要
在一个域上训练的行人重识别(re-ID)模型通常不能很好地泛化到另一个域。在我们的尝试中，我们提出了一个“通过翻译学习”的框架。在基线中，我们以无监督方式将源域的带标签图像翻译到目标域。然后我们用有监督方法以翻译后的图像训练 re-ID 模型。然而，作为该框架 essential 的一部分，无监督图像-图像翻译在翻译过程中遭受源域标签信息丢失。我们的动机有两方面。首先，对于每幅图像，其 ID 标签中包含的判别线索应在翻译后保持。其次，鉴于两个域具有完全不同的人，一幅翻译后的图像应与任意目标 ID 都不相似。为此，我们提出保持两类无监督相似性：1) 翻译前后一幅图像的自相似性，以及 2) 翻译后的源图像与目标图像的域差异性。两种约束都在保持相似性的生成对抗网络(SPGAN)中实现，该网络由一个 Siamese 网络和一个 CycleGAN 组成。通过域适应实验，我们表明由 SPGAN 生成的图像更适于域适应，并在两个大规模数据集上产生一致且具有竞争力的 re-ID 精度。
引用
@article{arxiv.1711.07027,
title = {Image-Image Domain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity for Person Re-identification},
author = {Weijian Deng and Liang Zheng and Qixiang Ye and Guoliang Kang and Yi Yang and Jianbin Jiao},
journal= {arXiv preprint arXiv:1711.07027},
year = {2018}
}
备注
Accepted in CVPR 2018