面向跨域行人重识别的无监督与自适应技术
计算机视觉与模式识别
2022-02-08 v3 人工智能
摘要
跨非重叠摄像头的行人重识别 (ReID) 是一项具有挑战性的任务，因此先前大多数工作依赖于从带标签数据集进行监督特征学习，以在不同视角下匹配同一行人。然而，这需要耗时的数据标注工作，阻碍了快速部署，尤其在取证场景中。无监督域适应 (UDA) 成为一种有前景的替代方案，因为它可在无身份标签标注的情况下，将源域上训练的模型适配到目标域进行特征学习。然而，大多数基于 UDA 的算法依赖具有多个超参数的复杂损失函数，阻碍了向不同场景的泛化。此外，由于 UDA 依赖于域间迁移，选择未见域中最可靠的数据十分重要，从而避免目标数据上噪声样本引起的错误传播——这是一个常被忽视的问题。为此，我们提出一种新颖的基于 UDA 的 ReID 方法，其优化仅含一个超参数的简单损失函数，并利用由基于簇内摄像头多样性的新离线策略所创建的样本三元组。该新策略在适配模型的同时对其进行正则化，避免目标域过拟合。我们还引入一种新的自集成策略，将不同迭代的权重聚合以创建结合适配过程中不同时刻知识的终模型。为评估，我们考虑三种知名的深度学习架构并将其组合用于最终决策。所提方法未使用行人重排序且在目标域无任何标签，在以简单得多的设置下，于 Market 到 Duke、具有挑战性的 Market1501 到 MSMT17 以及 Duke 到 MSMT17 适应场景中优于最先进水平。
引用
@article{arxiv.2103.11520,
title = {Unsupervised and self-adaptative techniques for cross-domain person re-identification},
author = {Gabriel Bertocco and Fernanda Andaló and Anderson Rocha},
journal= {arXiv preprint arXiv:2103.11520},
year = {2022}
}
备注
Published on IEEE Transactions on Information Forensics and Security