学习记忆中的不变性以适应行人重识别
计算机视觉与模式识别
2019-08-02 v1
摘要
本文研究行人重识别（re-ID）中的无监督域适应问题，旨在将知识从源域迁移到目标域。现有方法主要致力于减少域间偏移，但通常忽略了目标样本之间的关系。本文深入探究目标域的域内变化，并针对三种潜在的不变性，即样本不变性、相机不变性和邻域不变性，提出了一种新颖的适应框架。具体而言，引入了一个样本记忆模块来存储样本特征，从而能够有效且高效地在全局数据集上施加不变性约束。我们进一步提出了基于图的阳性预测（GPP）方法，为目标域探索可靠的邻居，该方法建立在记忆模块之上，并在源样本上进行训练。实验表明：1）这三种不变性属性对于有效的域适应不可或缺；2）记忆模块在实现不变性学习中起着关键作用，并以有限的额外计算成本提升了性能；3）GPP 能够促进不变性学习，从而显著改善结果；4）我们的方法在三个大规模 re-ID 基准数据集上达到了新的最先进适应精度。
引用
@article{arxiv.1908.00485,
title = {Learning to Adapt Invariance in Memory for Person Re-identification},
author = {Zhun Zhong and Liang Zheng and Zhiming Luo and Shaozi Li and Yi Yang},
journal= {arXiv preprint arXiv:1908.00485},
year = {2019}
}
备注
Extension of conference version: arXiv:1904.01990