基于双层级非对称互学习的无监督域自适应行人重识别
计算机视觉与模式识别
2023-01-31 v1
摘要
无监督域自适应行人重识别（Re-ID）旨在借助辅助的有标注源域数据集，在无标注目标域内识别行人图像。许多现有工作试图通过多个同构网络恢复可靠身份信息，并以这些生成标签在目标域训练模型。然而，这些同构网络在近似子空间中辨识行人，并等同地与他人或平均网络互交换知识以提升能力，不可避免地限制了可用知识范围且使它们陷入相同错误。本文提出双层级非对称互学习法（DAML），以从更广知识范围与多样嵌入空间学习判别性表示。具体而言，两个异构网络通过硬蒸馏方式的伪标签生成，从非对称子空间互学知识。两网络间知识迁移基于非对称互学习方式：教师网络学习辨识目标与源域，并基于学生知识适配目标域分布；同时，学生网络在目标数据集上训练，并借助教师知识使用真值标签。在 Market-1501、CUHK-SYSU 与 MSMT17 公开数据集上的大量实验验证了 DAML 优于当前最优方法。
引用
@article{arxiv.2301.12439,
title = {Unsupervised Domain Adaptation on Person Re-Identification via Dual-level Asymmetric Mutual Learning},
author = {Qiong Wu and Jiahan Li and Pingyang Dai and Qixiang Ye and Liujuan Cao and Yongjian Wu and Rongrong Ji},
journal= {arXiv preprint arXiv:2301.12439},
year = {2023}
}