用于无监督域自适应 Re-ID 的改进互均值教学
计算机视觉与模式识别
2020-08-25 v1
摘要
在本技术报告中，我们展示了提交至 ECCV 2020 VisDA 挑战赛的方案，并在排行榜上取得了性能顶尖的结果之一。我们的方案基于结构化域自适应（SDA）与互均值教学（MMT）框架。SDA 是一种基于域翻译的框架，侧重于将源域图像精心翻译至目标域。MMT 是一种基于伪标签的框架，侧重于利用鲁棒软标签进行伪标签精炼。具体而言，我们的训练流程包含三个主要步骤。（i）我们采用 SDA 生成源到目标的翻译图像，且（ii）此类图像作为信息丰富的训练样本来预训练网络。（iii）预训练网络进一步由 MMT 在目标域上微调。注意我们设计了改进的 MMT（称为 MMT+），通过建模两域间的样本间关系并保持实例判别性，来进一步缓解标签噪声。我们提出的方法在 mAP 上取得了 74.78% 的准确率，在 153 支队伍中排名第 2。
引用
@article{arxiv.2008.10313,
title = {Improved Mutual Mean-Teaching for Unsupervised Domain Adaptive Re-ID},
author = {Yixiao Ge and Shijie Yu and Dapeng Chen},
journal= {arXiv preprint arXiv:2008.10313},
year = {2020}
}
备注
2nd place solution to VisDA-2020 Challenge (ECCVW). Code&Models are available at https://github.com/yxgeee/VisDA-ECCV20