面向行人重识别的在线无监督域适应
计算机视觉与模式识别
2022-05-10 v1
摘要
行人重识别（Person Re-ID）的无监督域适应是将已标注源域上学到的知识迁移到未标注目标域的任务。近期解决该问题的论文大多采用离线训练设定。更确切地说，Re-ID 模型的训练是在假设我们可以访问完整训练目标域数据集的情况下进行的。在本文中，我们指出在实用真实世界应用中目标域通常由数据流构成，数据从不同网络摄像头持续增加。Re-ID 方案还受保密法规约束，规定收集的数据仅可存储有限时段，因而模型不再能访问先前见过的目标图像。因此，我们提出一种新颖且实用的无监督域适应行人重识别在线设定，具有两个主要约束：在线适应与隐私保护。随后我们使用知名的 Market-1501、Duke 与 MSMT17 基准，在此新在线设定下改编并评估最先进的 UDA 算法。
引用
@article{arxiv.2205.04383,
title = {Online Unsupervised Domain Adaptation for Person Re-identification},
author = {Hamza Rami and Matthieu Ospici and Stéphane Lathuilière},
journal= {arXiv preprint arXiv:2205.04383},
year = {2022}
}
备注
To appear in the IEEE Conference on Computer Vision and Pattern Recognition Workshop (CVPR-W) on Continual Learning in Computer Vision (CLVision) 2022