SSKD：用于跨域自适应行人重识别的自监督知识蒸馏
计算机视觉与模式识别
2020-09-15 v1
摘要
由于源域与目标域之间存在较大差异，域自适应行人重识别（re-ID）是一项具有挑战性的任务。为减小域差异，现有方法主要试图通过聚类算法为无标签目标图像生成伪标签。然而，聚类方法往往带来噪声标签，且未充分利用无标签图像中丰富的细粒度细节。本文旨在通过从无标签图像的多重增强视图中捕获特征表示来提升标签质量。为此，我们提出一种自监督知识蒸馏（SSKD）技术，包含两个模块：身份学习与软标签学习。身份学习探索无标签样本间的关系，并通过聚类预测其一热标签，为可明确区分的图像提供准确信息。软标签学习将标签视为一种分布，并以自监督方式促使图像与若干相关类别关联以训练对等网络，其中缓慢演化的网络作为核心，为可靠图像获取软标签以形成温和约束。最终，两个模块通过相互增强并系统整合无标签图像的标签信息，能够抵御重识别中的标签噪声。在多个自适应任务上的大量实验表明，所提方法大幅优于当前最先进的方法。
引用
@article{arxiv.2009.05972,
title = {SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification},
author = {Junhui Yin and Jiayan Qiu and Siqing Zhang and Zhanyu Ma and Jun Guo},
journal= {arXiv preprint arXiv:2009.05972},
year = {2020}
}