基于源引导伪标签的无监督域适应行人重识别
计算机视觉与模式识别
2020-09-22 v1
摘要
行人重识别（re-ID）旨在检索由不同摄像头拍摄的同一人的图像。re-ID 的一个挑战是，当模型用于与训练数据域（源数据）不同域的感兴趣数据（目标数据）时性能的保持。无监督域适应（UDA）是应对该挑战的一个有趣研究方向，因为它避免了对目标数据进行昂贵的标注。伪标签方法在基于 UDA 的 re-ID 中取得最佳结果。令人惊讶的是，标注的源数据在该初始化步骤后被丢弃。然而，我们认为伪标签可进一步利用标注的源数据以改进初始化后的训练步骤。为提高对错误伪标签的鲁棒性，我们主张在所有训练迭代中同时利用标注的源数据与伪标签目标数据。为支持我们的准则，我们引入了一个框架，其依赖于双分支架构，分别优化源域和目标域中基于分类与三元组损失的度量学习，以允许\emph{对目标域的适应性}同时确保\emph{对噪声伪标签的鲁棒性}。实际上，共享的低层与中层参数受益于源分类与三元组损失信号，而目标分支的高层参数学习域特定特征。我们的方法足够简单，可轻松与现有伪标签 UDA 方法结合。我们通过实验表明，当基础方法无处理伪标签噪声的机制或面对困难适应任务时，该方法高效且提升性能。我们的方法在常用数据集 Market-1501 与 DukeMTMC-reID 上达到最先进性能，并在面向更大更具挑战性的数据集 MSMT 时优于最先进水平。
引用
@article{arxiv.2009.09445,
title = {Unsupervised Domain Adaptation for Person Re-Identification through Source-Guided Pseudo-Labeling},
author = {Fabian Dubourvieux and Romaric Audigier and Angelique Loesch and Samia Ainouz and Stephane Canu},
journal= {arXiv preprint arXiv:2009.09445},
year = {2020}
}
备注
Accepted at ICPR 2020 first round, preprint version