基于相异度空间的无监督域自适应行人重识别
计算机视觉与模式识别
2020-11-20 v1
摘要
行人重识别（ReID）在许多现实世界的视频分析和监控应用中仍是一项具有挑战性的任务，尽管随着在大型图像数据集上训练的深学习（DL）模型的出现，最先进的准确率已大幅提升。鉴于源域和目标域捕获的视频数据之间通常存在的分布偏移，以及目标域标注数据的缺失，很难使 DL 模型适应以准确识别目标数据。我们认为，对于依赖度量学习的成对匹配器（例如用于行人 ReID 的 Siamese 网络），无监督域自适应（UDA）目标应在于对齐域间的成对相异度，而非对齐特征表示。此外，相异度表示更适用于设计开放集 ReID 系统，其中源域和目标域的身份不同。在本文中，我们提出了一种新颖的基于相异度的最大均值差异（D-MMD）损失，用于对齐可通过梯度下降优化的成对距离。从行人 ReID 的角度来看，D-MMD 损失的评估是直接的，因为轨迹片段信息允许将距离向量标记为类内或类间。这允许近似目标成对距离的基础分布以优化 D-MMD 损失，并相应地对齐源域和目标域距离分布。在三个具有挑战性的基准数据集上的实证结果表明，所提出的 D-MMD 损失随着源域和域分布变得更加相似而减小。广泛的实验评估还表明，依赖 D-MMD 损失的 UDA 方法可以显著优于基线和最先进的行人 ReID UDA 方法，且无需常见的数据增强和/或复杂网络要求。
引用
@article{arxiv.2007.13890,
title = {Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification},
author = {Djebril Mekhazni and Amran Bhuiyan and George Ekladious and Eric Granger},
journal= {arXiv preprint arXiv:2007.13890},
year = {2020}
}
备注
14 pages (16 pages with references), 7 figures, conference ECCV