用于无监督域自适应目标重识别的不确定性感知聚类
计算机视觉与模式识别
2021-08-24 v1
摘要
无监督域自适应（UDA）目标重识别（Re-ID）旨在将在有标签源域上训练的模型迁移到无标签目标域。最先进的目标 Re-ID 方法采用聚类算法为无标签目标域生成伪标签。然而，聚类过程引起的不可避免的标签噪声显著降低了 Re-ID 模型的判别能力。为解决此问题，我们提出了一种用于 UDA 任务的不确定性感知聚类框架（UCF）。首先，提出一种新颖的层次化聚类方案以提升聚类质量。其次，引入不确定性感知协同实例选择方法，为模型训练筛选具有可靠标签的图像。结合这两种技术有效降低了噪声标签的影响。此外，我们引入了一个以紧凑对比损失为特征的强基线。我们的 UCF 方法在多个目标 Re-ID 的 UDA 任务中持续达到最先进性能，并显著缩小了无监督与有监督 Re-ID 性能之间的差距。特别地，我们的无监督 UCF 方法在 MSMT17Market1501 任务中的性能优于 Market1501 上的全监督设定。UCF 的代码可在 https://github.com/Wang-pengfei/UCF 获取。
引用
@article{arxiv.2108.09682,
title = {Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object Re-identification},
author = {Pengfei Wang and Changxing Ding and Wentao Tan and Mingming Gong and Kui Jia and Dacheng Tao},
journal= {arXiv preprint arXiv:2108.09682},
year = {2021}
}