从各侧模仿目标：一种用于行人重识别的无监督迁移学习方法
计算机视觉与模式识别
2021-04-29 v2
摘要
行人重识别（Re-ID）模型在某一数据集上训练并在另一数据集上测试时，由于数据集间偏差（例如完全不同的身份与背景）和数据集内差异（例如相机不变性），通常表现出有限的性能。针对此问题，给定一个有标签的源训练集和一个无标签的目标训练集，我们提出一种无监督迁移学习方法，其特点为：1）通过所提 ImitateModel 同时弥合数据集间偏差与数据集内差异；2）将无监督行人 Re-ID 问题视为由双分类损失公式化的半监督学习问题，以跨域学习判别性表示；3）从类-风格空间中挖掘不同域间的潜在共性，以提升 Re-ID 模型的泛化能力。我们在两个广泛使用的基准（包括 Market-1501 和 DukeMTMC-reID）上进行了大量实验，实验结果表明所提方法能与其他最先进的无监督 Re-ID 方法相媲美。
引用
@article{arxiv.1904.05020,
title = {Imitating Targets from all sides: An Unsupervised Transfer Learning method for Person Re-identification},
author = {Jiajie Tian and Zhu Teng and Rui Li and Yan Li and Baopeng Zhang and Jianping Fan},
journal= {arXiv preprint arXiv:1904.05020},
year = {2021}
}
备注
The author and result of model have changed