面向真实世界行人重识别的实时在线无监督域适应
计算机视觉与模式识别
2023-06-08 v1 人工智能
机器学习
摘要
随着无监督域适应（UDA）在行人重识别中的流行，最近提出的在线无监督域适应（OUDA）设定通过引入对流式数据的考量，试图弥合走向实际应用的鸿沟。然而，这仍远未真正代表真实世界应用。本文定义了真实世界实时在线无监督域适应（ROUDA）用于行人重识别的设定。ROUDA 设定为真正的真实世界实时 OUDA 搭建了舞台，揭示了当前研究中常被忽视的真实世界应用里的四大局限：系统生成的行人图像、子集分布选择、基于时间的数据流分割，以及基于片段的时间约束。为应对这一新 ROUDA 设定的各个方面，本文进一步提出了真实世界实时在线流式互均值教学（RMMT），一种用于真实世界行人重识别的新型多摄像头系统。利用一个流行的行人重识别数据集，RMMT 构建了超过 100 个数据子集并训练了超过 3000 个模型，探索了 ROUDA 设定的广度，以理解真实世界应用中训练时间与准确率的权衡与局限。RMMT 是一个能遵守所提 ROUDA 设定严格约束的真实世界系统，其准确率在可比 OUDA 方法的 0.1% 以内，而那些方法无法直接应用于真实世界应用。
引用
@article{arxiv.2306.03993,
title = {Real-Time Online Unsupervised Domain Adaptation for Real-World Person Re-identification},
author = {Christopher Neff and Armin Danesh Pazho and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2306.03993},
year = {2023}
}