基于在线关系正则化的结构化域适应用于无监督行人重识别
计算机视觉与模式识别
2022-05-06 v3
摘要
无监督域适应(UDA)旨在将在一个有标签源域数据集上训练的模型适应到一个无标签目标域数据集。开放集行人重识别(re-ID)上的 UDA 任务更具挑战性,因为两个域之间的身份(类别)没有重叠。一个主要研究方向基于域翻译,然而由于相较于伪标签方法性能较差,近年来已不再受欢迎。我们认为域翻译在利用有价值的源域数据方面具有很大潜力,但现有方法未对翻译过程提供适当的正则化。具体而言,先前的方法仅关注保持翻译后图像的身份,而忽略了翻译过程中的样本间关系。为应对这些挑战,我们提出了一种端到端结构化域适应框架,带有在线关系一致性正则化项。在训练中,行人特征编码器被优化以即时建模样本间关系,从而监督关系一致性域翻译,而后者又借助信息丰富的翻译图像改进编码器。编码器可进一步通过伪标签改进,其中具有真实身份的源到目标翻译图像与具有伪身份的目标域图像被联合用于训练。在实验中,我们提出的框架在多个行人重识别的 UDA 任务上取得了最先进的性能。借助我们结构化域翻译网络生成的合成到真实翻译图像,我们在 2020 年视觉域适应挑战赛(VisDA)中获得第二名。
引用
@article{arxiv.2003.06650,
title = {Structured Domain Adaptation with Online Relation Regularization for Unsupervised Person Re-ID},
author = {Yixiao Ge and Feng Zhu and Dapeng Chen and Rui Zhao and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:2003.06650},
year = {2022}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS)