全面记忆以自适应学习：基于多级记忆的无监督跨域行人重识别
计算机视觉与模式识别
2020-01-14 v1
摘要
无监督跨域行人重识别(Re-ID)旨在将已标注源域的信息适配到未标注的目标域。由于目标域缺乏监督，识别目标域中未标注样本之间潜在的相似与不相似关系至关重要。为了在mini-batch训练中高效利用整体数据关系，我们采用一系列记忆模块来维护整个数据集的最新表示。与以往工作中的简单样本记忆不同，我们提出了一种新颖的多级记忆网络(MMN)，依靠三个记忆模块——即部件级记忆、实例级记忆和域级记忆——来发掘目标域中的多级互补信息。所提记忆模块存储目标域的多级表示，既捕捉图像间的细粒度差异，又捕捉整体目标域的全局结构。三个记忆模块互为补充，并自底向上系统地整合多级监督。在三个数据集上的实验表明，多级记忆模块协同提升了无监督跨域Re-ID任务，且所提MMN取得了具有竞争力的结果。
关键词
引用
@article{arxiv.2001.04123,
title = {Memorizing Comprehensively to Learn Adaptively: Unsupervised Cross-Domain Person Re-ID with Multi-level Memory},
author = {Xinyu Zhang and Dong Gong and Jiewei Cao and Chunhua Shen},
journal= {arXiv preprint arXiv:2001.04123},
year = {2020}
}