通过源引导的伪标签超参数选择改进无监督域自适应重识别
计算机视觉与模式识别
2021-11-05 v2 机器学习
摘要
用于重识别（re-ID）的无监督域自适应（UDA）是一项具有挑战性的任务：为了避免对额外数据进行昂贵的标注，它旨在将知识从有标注数据的域迁移到仅有未标注数据的目标域。伪标签方法已被证明对UDA重识别有效。然而，这些方法的有效性在很大程度上取决于一些影响通过聚类生成伪标签的超参数（HP）的选择。目标域缺乏标注使得这一选择并非易事。当前方法对所有自适应任务简单地重复使用相同的经验值，并且不考虑在伪标签训练阶段变化的目标数据表示。由于这种简单化的选择可能限制其性能，我们旨在解决这一问题。我们为聚类UDA重识别的HP选择提出了新的理论基础，以及用于伪标签UDA聚类的自动循环HP调优方法：HyPASS。HyPASS包含在伪标签方法中引入两个模块：（i）基于有标注源验证集的HP选择，以及（ii）特征判别力的条件域对齐，以基于源样本改进HP选择。在常用的人员重识别和车辆重识别数据集上的实验表明，与常用的经验HP设置相比，我们提出的HyPASS持续改进了重识别中最先进的方法。
引用
@article{arxiv.2110.07897,
title = {Improving Unsupervised Domain Adaptive Re-Identification via Source-Guided Selection of Pseudo-Labeling Hyperparameters},
author = {Fabian Dubourvieux and Angélique Loesch and Romaric Audigier and Samia Ainouz and Stéphane Canu},
journal= {arXiv preprint arXiv:2110.07897},
year = {2021}
}
备注
Preprint version. Accepted in IEEE Access (see IEEE Access for final version)