通过时空模式迁移学习实现无监督跨数据集行人重识别
计算机视觉与模式识别
2018-03-21 v1
摘要
大多数已提出的行人重识别算法在小型带标注数据集上进行监督训练和测试，因此将这些训练好的模型直接部署到大规模真实世界摄像头网络中，可能会因欠拟合而导致性能不佳。利用从目标域收集的丰富无标注数据来增量优化模型是一项挑战。为了应对这一挑战，我们提出了一种无监督增量学习算法 TFusion，该算法由目标域中行人的时空模式的迁移学习辅助。具体而言，该算法首先将从小型带标注源数据集训练的视觉分类器迁移到无标注目标数据集，以学习行人的时空模式。其次，提出了一种贝叶斯融合模型，将学习到的时空模式与视觉特征相结合，以实现显著改进的分类器。最后，我们提出了一种基于 learning-to-rank 的相互促进过程，以基于目标域中的无标注数据增量优化分类器。基于多个真实监控数据集进行了全面实验，结果表明，与最先进的跨数据集无监督行人重识别算法相比，我们的算法获得了显著提升。
引用
@article{arxiv.1803.07293,
title = {Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatial-Temporal Patterns},
author = {Jianming Lv and Weihang Chen and Qing Li and Can Yang},
journal= {arXiv preprint arXiv:1803.07293},
year = {2018}
}
备注
Accepted by CVPR 2018