基于局部增强与原型字典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
2022-01-12 v1
摘要
无监督域自适应行人重识别（re-ID）任务一直是一项挑战，因为与一般域自适应任务不同，行人重识别中源域和目标域数据的类别不重叠，这导致了显著的域间隙。最先进的无监督re-ID方法使用基于记忆的对比损失训练神经网络。然而，将每个无标签实例视为一类来进行对比学习会导致类碰撞问题，并且在记忆库中更新时由于不同类别实例数量差异而导致更新强度不一致。为解决此类问题，我们提出用于行人重识别的原型字典学习，它能够通过单阶段训练同时利用源域数据和目标域数据，同时通过聚类级原型字典学习避免类碰撞问题和更新强度不一致问题。为减少域间隙对模型的干扰，我们提出局部增强模块，在不增加模型参数数量的情况下改善模型的域适应性。我们在两个大型数据集上的实验证明了原型字典学习的有效性。在Market-to-Duke任务中取得了71.5% mAP，相比最先进的无监督域自适应re-ID方法提升了2.3%。在Duke-to-Market任务中取得了83.9% mAP，相比最先进的无监督自适应re-ID方法提升了4.4%。
引用
@article{arxiv.2201.03803,
title = {Unsupervised Domain Adaptive Person Re-id with Local-enhance and Prototype Dictionary Learning},
author = {Haopeng Hou},
journal= {arXiv preprint arXiv:2201.03803},
year = {2022}
}