基于混合记忆与自步对比学习的域自适应目标重识别
计算机视觉与模式识别
2020-10-14 v2
摘要
域自适应目标重识别旨在将标注源域中学到的知识迁移至未标注目标域，以应对开放类重识别问题。尽管最先进的基于伪标签的方法已取得巨大成功，但由于域差距与不尽如人意的聚类性能，它们未充分利用所有有价值信息。为解决这些问题，我们提出一种带有混合记忆的新颖自步对比学习框架。该混合记忆动态生成源域类级、目标域簇级和未聚类实例级监督信号以学习特征表示。不同于常规对比学习策略，所提框架联合区分源域类、目标域簇及未聚类实例。最重要的是，所提自步方法逐步创建更可靠的簇以精炼混合记忆与学习目标，并被证明是我们出色性能的关键。我们的方法在多个目标重识别域自适应任务上优于现有技术，甚至无需任何额外标注即提升了源域上的性能。我们在无监督目标重识别上的泛化版本在Market-1501和MSMT17基准上分别以可观的16.7%和7.9%超越最先进算法。
引用
@article{arxiv.2006.02713,
title = {Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID},
author = {Yixiao Ge and Feng Zhu and Dapeng Chen and Rui Zhao and Hongsheng Li},
journal= {arXiv preprint arXiv:2006.02713},
year = {2020}
}
备注
Accepted in NeurIPS 2020. Code available: https://github.com/yxgeee/SpCL