基于渐进增强自训练的无监督跨域行人重识别
计算机视觉与模式识别
2019-08-01 v1
摘要
行人重识别(Re-ID)借助深度学习和大量标注训练数据取得了巨大进展。然而,将在一个有标注数据的源域上训练的模型迁移到仅有未标注数据的目标域,仍是一项具有挑战性的任务。在本工作中,我们提出了一种带有渐进增强框架(PAST)的自训练方法,以在目标数据集上逐步提升模型性能。具体而言,我们的PAST框架包含两个阶段,即保守阶段和促进阶段。保守阶段利用基于三元组的损失函数捕捉目标域数据点的局部结构,从而改进特征表示。促进阶段通过向模型最后一层追加一个可变分类层来持续优化网络,使得能够利用关于数据分布的全局信息。重要的是,我们提出了一种新的自训练策略,通过交替采用保守阶段和促进阶段来逐步增强模型能力。此外,为提高所选三元组样本的可靠性,我们在保守阶段引入了基于排序的三元组损失,这是一种基于数据对之间相似度的无标签目标函数。实验表明,所提方法在无监督跨域设定下达到了最先进的行人Re-ID性能。代码见:https://tinyurl.com/PASTReID
引用
@article{arxiv.1907.13315,
title = {Self-training with progressive augmentation for unsupervised cross-domain person re-identification},
author = {Xinyu Zhang and Jiewei Cao and Chunhua Shen and Mingyu You},
journal= {arXiv preprint arXiv:1907.13315},
year = {2019}
}
备注
Accepted to Proc. Int. Conf. Computer Vision, 2019. Code is available at: https://tinyurl.com/PASTReID