面向无监督行人重识别的判别性表示学习
计算机视觉与模式识别
2021-08-17 v2 人工智能
摘要
本文研究无监督域自适应的行人重识别(re-ID)问题，其中源域有标注而目标域无标注。以往方法通常遵循两阶段优化流程：网络先在源域上预训练，再利用特征聚类生成的伪标签在目标域上微调。此类方法存在两个主要局限。(1) 标签噪声可能阻碍判别性特征的学习，不利于识别目标域类别。(2) 域间隙可能阻碍知识从源域向目标域迁移。我们提出三类技术方案以缓解上述问题。首先，提出簇级对比学习算法(cluster-wise contrastive learning, CCL)，通过特征学习与簇精炼的迭代优化，以无监督方式学习噪声容忍表示。其次，采用渐进式域自适应(progressive domain adaptation, PDA)策略，逐步缩小源域与目标域数据间的域间隙。第三，提出傅里叶增强(Fourier augmentation, FA)，通过在傅里叶空间施加额外约束，进一步最大化重识别模型的类间可分性。我们观察到这些方案能够有效促进判别性特征表示的学习。实验表明，我们的方法在多个基准上持续显著优于最先进的(state-of-the-art, SOTA)无监督重识别方法，例如在 Market-to-Duke、Duke-to-Market、Market-to-MSMT 和 Duke-to-MSMT 任务上分别大幅超越 MMT 达 8.1%、9.9%、11.4% 和 11.1% mAP。
引用
@article{arxiv.2108.03439,
title = {Towards Discriminative Representation Learning for Unsupervised Person Re-identification},
author = {Takashi Isobe and Dong Li and Lu Tian and Weihua Chen and Yi Shan and Shengjin Wang},
journal= {arXiv preprint arXiv:2108.03439},
year = {2021}
}
备注
ICCV 2021