TraND：面向无监督跨域步态识别的可迁移邻域发现
计算机视觉与模式识别
2021-02-10 v1
摘要
步态，即人体运动过程中肢体的运动模式，是一种用于人员识别的有前景的生物特征。尽管深度学习在步态识别上取得了显著进展，现有研究仍忽视了一个更实际但更具挑战性的场景——无监督跨域步态识别，其旨在有标签数据集上学习模型并将其适配到无标签数据集。由于域偏移和类别差异，直接将在一个源数据集上训练的模型应用于其他目标数据集通常结果很差。因此，本文提出一种可迁移邻域发现（TraND）框架，以弥合无监督跨域步态识别中的域差距。为学习步态表示的有效先验知识，我们首先采用在带标签源数据上以监督方式预训练的骨干网络。然后设计一种端到端可训练方法，在隐空间中自动发现无标签样本的可靠邻域。训练过程中，采用类一致性指示器基于样本的熵度量选择其可靠邻域。此外，我们探索了一种高熵优先邻域选择策略，可有效将先验知识迁移至目标域。我们的方法在两个公开数据集 CASIA-B 和 OU-LP 上取得了最先进的结果。
引用
@article{arxiv.2102.04621,
title = {TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition},
author = {Jinkai Zheng and Xinchen Liu and Chenggang Yan and Jiyong Zhang and Wu Liu and Xiaoping Zhang and Tao Mei},
journal= {arXiv preprint arXiv:2102.04621},
year = {2021}
}
备注
Accepted by ISCAS 2021. 5 pages, 2 figures