基于合成数据的无监督域自适应行人重识别学习
计算机视觉与模式识别
2021-10-27 v2 人工智能
机器学习
摘要
由于智能视频监控中的广泛应用，行人重识别（re-ID）受到越来越多的关注。遗憾的是，主流深度学习方法仍需要大量标注数据来训练模型，而在真实场景中标注数据是昂贵的工作。此外，由于不同数据集之间存在域间隙，在标注丰富的数据集（源域）上预训练的 re-ID 模型直接应用于其他无标注数据集（目标域）时，性能会急剧下降。本文尝试从数据和方法两个方面补救这些问题。首先，我们开发了一个数据收集器，在计算机游戏中自动生成合成 re-ID 样本，并构建了一个数据标注器同时对其标注，从而使人类免于繁重的数据收集与标注。基于此，我们构建了两个不同规模的合成行人 re-ID 数据集，“GSPR”和“mini-GSPR”数据集。其次，我们提出了一种基于合成的多域协同精炼（SMCR）网络，其包含合成预训练模块和两个协同精炼模块，以对来自多个域的有价值知识进行充分学习。大量实验表明，我们所提框架在多个行人 re-ID 无监督域自适应任务上相比最先进的方法获得了显著的性能提升。
引用
@article{arxiv.2109.05542,
title = {Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification},
author = {Qi Wang and Sikai Bai and Junyu Gao and Yuan Yuan and Xuelong Li},
journal= {arXiv preprint arXiv:2109.05542},
year = {2021}
}