面向无监督行人重识别的生成与对比联合学习
计算机视觉与模式识别
2021-03-31 v2
摘要
近期自监督对比学习通过从输入的不同视角（变换版本）学习不变性，为无监督行人重识别（ReID）提供了有效方法。本文中，我们将生成对抗网络（GAN）与对比学习模块整合进一个联合训练框架。GAN 为对比学习提供在线数据增强，而对比模块为生成学习视角不变特征。在此背景下，我们提出了一种基于网格的视角生成器。具体而言，网格投影作为参考以生成人的新视角。此外，我们提出视角不变损失以促进原始视角与生成视角间的对比学习。不同于以往涉及域适应的基于 GAN 的无监督 ReID 方法，我们不依赖有标签的源数据集，这使我们的方法更灵活。大量实验结果表明，在多个大规模 ReID 数据集上，我们的方法在完全无监督和无监督域自适应设定下均显著优于最先进方法。
引用
@article{arxiv.2012.09071,
title = {Joint Generative and Contrastive Learning for Unsupervised Person Re-identification},
author = {Hao Chen and Yaohui Wang and Benoit Lagadec and Antitza Dantcheva and Francois Bremond},
journal= {arXiv preprint arXiv:2012.09071},
year = {2021}
}
备注
CVPR 2021. Source code: https://github.com/chenhao2345/GCL