自相似分组：一种简单的无监督跨域自适应行人重识别方法
计算机视觉与模式识别
2019-09-25 v3 人工智能
机器学习
摘要
行人重识别（re-ID）中的域自适应一直是一项具有挑战性的任务。在本工作中，我们探索如何利用目标域样本中存在的自然相似特性，以无监督方式进行行人重识别学习。具体而言，我们提出一种自相似分组（SSG）方法，其利用无标签样本的潜在相似性（从全局身体到局部部件）自动从不同的视角构建多个簇。这些独立的簇随后被赋予标签，作为伪身份来监督训练过程。我们重复且交替地进行此种分组与训练过程，直至模型稳定。尽管看似简单，我们的 SSG 在 mAP 上分别超越最先进水平 4.6%（DukeMTMC 到 Market1501）和 4.4%（Market1501 到 DukeMTMC）。在 SSG 基础上，我们进一步引入一种称为 SSG++ 的聚类引导半监督方法，在开放集设定下（即目标域中独立身份的数量未知）进行一次性域自适应。无需在标注上耗费过多精力，我们的 SSG++ 可分别在 SSG 基础上将 mAP 进一步提升 10.7% 和 6.9%。我们的代码可在 https://github.com/OasisYang/SSG 获取。
引用
@article{arxiv.1811.10144,
title = {Self-similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-identification},
author = {Yang Fu and Yunchao Wei and Guanshuo Wang and Yuqian Zhou and Honghui Shi and Thomas Huang},
journal= {arXiv preprint arXiv:1811.10144},
year = {2019}
}
备注
This work has been accepted as an Oral presentation at ICCV2019