面向无监督域自适应行人重识别的特征融合学习
计算机视觉与模式识别
2022-05-20 v1
摘要
无监督域自适应（UDA）行人重识别（ReID）因其在无需人工标注的目标域上的有效性而受到越来越多的关注。大多数基于微调的 UDA 行人 ReID 方法侧重于编码全局特征以生成伪标签，忽视了能提供细粒度信息的局部特征。为处理该问题，我们提出一种学习特征融合（LF2）框架，用于自适应地学习融合全局与局部特征，以获得更全面的融合特征表示。具体而言，我们首先在源域上预训练模型，然后基于师生训练策略在未标注目标域上微调模型。平均加权教师网络用于编码全局特征，而每次迭代更新的学生网络负责细粒度局部特征。通过融合这些多视角特征，采用多级聚类生成多样化伪标签。特别地，还提出了一种可学习的融合模块（FM），用于在全局特征中突出细粒度局部信息，以避免多伪标签的模糊学习。实验表明，我们提出的 LF2 框架在 Market1501 到 DukeMTMC-ReID 上以 73.5% mAP 和 83.7% Rank1 优于当前最优方法，并在 DukeMTMC-ReID 到 Market1501 上达到 83.2% mAP 和 92.8% Rank1。
引用
@article{arxiv.2205.09495,
title = {Learning Feature Fusion for Unsupervised Domain Adaptive Person Re-identification},
author = {Jin Ding and Xue Zhou},
journal= {arXiv preprint arXiv:2205.09495},
year = {2022}
}
备注
Accepted by ICPR2022