通过猜测学习：面向行人重识别的多步伪标签精炼
计算机视觉与模式识别
2021-01-06 v1 人工智能
摘要
面向行人重识别（Re-ID）的无监督域适应（UDA）方法依赖目标域样本来建模数据的边缘分布。为应对目标域标签缺失问题，UDA 方法利用带标签的源域样本与无标签的目标域样本中的信息。一种有前景的方法是在流程中依赖无监督学习的使用，例如聚类方法。聚类的质量显然在方法性能中起着主要作用，但这一点被忽视了。本工作中，我们提出一种多步伪标签精炼方法，以选择最佳可能的聚类并持续改进它们，使这些聚类在不知类别标签的情况下更接近类别划分。我们的精炼方法包含一种聚类选择策略与一种基于相机的归一化方法，其减少了行人 Re-ID 中多相机使用所引起的域内差异。这使得我们的方法在 DukeMTMC-Market1501（源-目标）上达到最优的 UDA 结果。我们在 Market1501-DukeMTMC 数据集上超越最优 UDA Re-ID 方法 3.4%，这是一个更具挑战性的适应设定，因为目标域（DukeMTMC）有八个不同相机。此外，基于相机的归一化方法显著减少了训练收敛所需的迭代次数。
引用
@article{arxiv.2101.01215,
title = {Learn by Guessing: Multi-Step Pseudo-Label Refinement for Person Re-Identification},
author = {Tiago de C. G. Pereira and Teofilo E. de Campos},
journal= {arXiv preprint arXiv:2101.01215},
year = {2021}
}
备注
11 pages, 2 fitures, 48 references. Submitted to a computer vision conference