基于多重协同教学利用自差异学习的跨域行人重识别
计算机视觉与模式识别
2021-09-08 v5
摘要
采用聚类策略为无标签目标图像分配伪标签已成为域自适应中行人重识别（re-ID）算法的趋势。这些基于聚类方法的潜在局限是往往引入噪声标签，无疑会妨碍重识别系统性能。为解决该局限，一种直观方案是利用协同训练净化伪标签质量。然而存在挑战：两个网络（不可避免地具有高相似性）的互补性随训练进行逐渐减弱；更糟的是，这些方法通常忽略考虑类内关系的自差异。为解决此问题，本文提出一种用于域自适应行人重识别的多重协同教学框架，开辟了无监督条件下自差异问题的一个有前景方向。此外，利用均值教学机制来扩大差异并发现更多互补特征。在多个大规模数据集上的综合实验表明，我们的方法与最先进方法相比取得了有竞争力的性能。
引用
@article{arxiv.2104.02265,
title = {Learning from Self-Discrepancy via Multiple Co-teaching for Cross-Domain Person Re-Identification},
author = {Suncheng Xiang and Yuzhuo Fu and Mengyuan Guan and Ting Liu},
journal= {arXiv preprint arXiv:2104.02265},
year = {2021}
}
备注
Accepted at IJCAI'21 workshop on Weakly Supervised Representation Learning