互均值教学：面向行人重识别无监督域适应的伪标签精炼
计算机视觉与模式识别
2020-01-31 v2
摘要
行人重识别（re-ID）旨在跨不同摄像头识别同一人的图像。然而，不同数据集之间的域差异对将在一个数据集上训练的re-ID模型迁移到另一个数据集构成了明显挑战。最先进的行人重识别无监督域适应方法通过在目标域上由聚类算法生成的伪标签进行优化，从而迁移源域学到的知识。尽管它们取得了最先进的性能，但聚类过程不可避免的标签噪声被忽视了。此类噪声伪标签严重阻碍了模型在目标域上进一步提升特征表示的能力。为减轻噪声伪标签的影响，我们提出通过提出一种无监督框架——互均值教学（MMT），以离线精炼的硬伪标签和在线精炼的软伪标签交替训练的方式，从目标域学习更好的特征，从而软性精炼目标域中的伪标签。此外，常规做法是在行人重识别模型中联合采用分类损失与三元组损失以达到最优性能。然而，常规三元组损失无法与软精炼标签协同工作。为解决此问题，提出一种新颖的软softmax-三元组损失，以支持利用软伪三元组标签进行学习，从而实现最优域适应性能。所提出的MMT框架在Market-to-Duke、Duke-to-Market、Market-to-MSMT和Duke-to-MSMT无监督域适应任务上分别取得了14.4%、18.2%、13.1%和16.4% mAP的显著提升。代码见 https://github.com/yxgeee/MMT。
引用
@article{arxiv.2001.01526,
title = {Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification},
author = {Yixiao Ge and Dapeng Chen and Hongsheng Li},
journal= {arXiv preprint arXiv:2001.01526},
year = {2020}
}
备注
Accepted in International Conference on Learning Representations (ICLR 2020)