面向无监督行人重识别的联合噪声容忍学习与元相机偏移自适应
计算机视觉与模式识别
2021-03-09 v1
摘要
本文考虑无监督行人重识别（re-ID）问题，旨在利用无标签数据学习判别性模型。一种流行的方法是通过聚类获得伪标签并用以优化模型。尽管此类方法已展现出令人满意的准确率，但它受限于 1）聚类产生的噪声标签，以及 2）由相机偏移引起的特征变化。前者会导致错误优化，从而阻碍模型精度；后者会造成将不同相机的同类样本赋予不同伪标签，使模型对相机变化敏感。本文提出一个统一框架以解决这两个问题。具体而言，我们提出动态对称交叉熵损失（DSCE）来处理噪声样本，以及一种相机感知元学习算法（MetaCam）来适应相机偏移。DSCE 能减轻噪声样本的负面影响，并适应每次聚类步骤后的簇变化。MetaCam 通过基于相机 ID 将训练数据划分为元训练与元测试，来模拟跨相机约束。借助来自元训练与元测试的交互梯度，模型被强制学习相机不变特征。在三个 re-ID 基准上的大量实验表明了所提 DSCE 与 MetaCam 的有效性与互补性。我们的方法在完全无监督 re-ID 与无监督域自适应 re-ID 上均优于最先进的方法。
引用
@article{arxiv.2103.04618,
title = {Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification},
author = {Fengxiang Yang and Zhun Zhong and Zhiming Luo and Yuanzheng Cai and Yaojin Lin and Shaozi Li and Nicu Sebe},
journal= {arXiv preprint arXiv:2103.04618},
year = {2021}
}
备注
To appear in CVPR 2021