多域专家协作学习：面向行人重识别的多源域泛化
计算机视觉与模式识别
2021-09-14 v2
摘要
近年来行人重识别（ReID）取得了显著进展。然而，当未见测试域与源训练域表现出不同特性时，现有 ReID 方法仍面临严重的性能下降，即域泛化问题。给定多个源训练域，以往的域可泛化 ReID（DG-ReID）方法通常使用共享网络将所有域一起学习，无法从每个域中学到充分知识。本文提出一种新颖的多域专家协作学习（MECL）框架以更好地利用所有训练域，其得益于所提出的域-域协作学习（DDCL）与通用-域协作学习（UDCL）。DDCL 利用特定域专家充分挖掘各域，并通过元学习策略防止专家过拟合对应域。在 UDCL 中，一个通用专家监督域专家的学习并持续从所有域专家处汇聚知识。需注意，仅通用专家用于推理。在 DG-ReID 基准上的大量实验证明了 DDCL 与 UDCL 的有效性，并表明整个 MECL 框架显著优于当前最优（SOTA）方法。在 DG 分类基准上的实验结果也揭示了将 MECL 应用于其他 DG 任务的巨大潜力。
引用
@article{arxiv.2105.12355,
title = {Multiple Domain Experts Collaborative Learning: Multi-Source Domain Generalization For Person Re-Identification},
author = {Shijie Yu and Feng Zhu and Dapeng Chen and Rui Zhao and Haobin Chen and Shixiang Tang and Jinguo Zhu and Yu Qiao},
journal= {arXiv preprint arXiv:2105.12355},
year = {2021}
}
备注
update the mAP results, and add the experiments on DG-classification task