不变性至关重要：面向域自适应行人重识别的样本记忆
计算机视觉与模式识别
2019-04-04 v1 机器学习
摘要
本文研究域自适应行人重识别（re-ID）问题：从有标注源域与无标注目标域学习re-ID模型。常规方法主要致力于缩减源域与目标域间的特征分布差异。然而，这些研究很大程度上忽略了目标域内的域内差异，而其中包含影响目标域测试性能的关键因素。本工作中，我们全面探究目标域的域内差异，并提出针对三类潜在不变性（即样本不变性、相机不变性与邻域不变性）泛化re-ID模型。为实现该目标，引入样本记忆以存储目标域特征并容纳这三种不变性属性。该记忆使我们能够在不显著增大计算成本的情况下，对全局训练批次施加不变性约束。实验表明，三种不变性属性与所提记忆对于有效的域自适应系统不可或缺。在三个re-ID域上的结果表明，我们的域自适应精度大幅优于当前最优（SOTA）。代码见：https://github.com/zhunzhong07/ECN
引用
@article{arxiv.1904.01990,
title = {Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification},
author = {Zhun Zhong and Liang Zheng and Zhiming Luo and Shaozi Li and Yi Yang},
journal= {arXiv preprint arXiv:1904.01990},
year = {2019}
}
备注
To appear in CVPR 2019