通过组对比学习重新审视多粒度表征用于无监督车辆重识别
计算机视觉与模式识别
2024-10-30 v1
摘要
车辆重识别（Vehicle ReID）旨在跨不重叠的监控摄像头视图检索车辆图像。大多数车辆 ReID 研究严重依赖于特定人工收集数据集的监督标签进行训练。当应用于大规模真实场景时，由于源数据集与目标数据集之间存在显著的领域差异，这些模型会出现严重的性能下降。为了应对这一挑战，本文提出了一种无监督车辆 ReID 框架（MGR-GCL）。它整合了用于学习判别性可迁移特征的多粒度 CNN 表征，以及负责在无标签目标域中进行高效领域适应的对比学习模块。具体而言，在标记源数据集上训练所提出的多粒度表征（MGR）后，我们提出了一种组对比学习模块（GCL）来为目标数据集生成伪标签，从而促进领域适应过程。我们进行了大量实验，结果表明我们优于现有的 SOTA 方法。
引用
@article{arxiv.2410.21667,
title = {Revisiting Multi-Granularity Representation via Group Contrastive Learning for Unsupervised Vehicle Re-identification},
author = {Zhigang Chang and Shibao Zheng},
journal= {arXiv preprint arXiv:2410.21667},
year = {2024}
}