基于双自校准的无监督域适应人物搜索
计算机视觉与模式识别
2024-12-24 v1
摘要
无监督域适应人物搜索旨在利用在源域标注数据集上训练的模型，应用于无需额外标注的目标域数据集。目前最有效的方法通常会利用源域的真实标注以及从聚类过程中获得的伪标签进行域适应，但这些方法的性能将受到来自域间差异导致的噪声伪标签干扰的显著限制。本文提出了一种名为双自校准（Dual Self-Calibration, DSCA）的框架，用于无监督域适应人物搜索，通过从图像级和实例级特征两个角度考虑，有效消除噪声伪标签的干扰。具体而言，我们首先提出了一种简单而有效的感知驱动自适应滤波器（Perception-Driven Adaptive Filter, PDAF），用于基于输入特征动态预测滤波阈值，从而消除噪声伪框和背景干扰，使方法聚焦于前景目标，避免不加区分的域适应。此外，我们进一步提出了簇代理表示（Cluster Proxy Representation, CPR）模块，以增强簇表示的更新策略，从而缓解簇中误识别实例的污染，并有效 streamlining 目标域无标签数据的训练过程。通过上述设计，我们的方法在两个基准数据集上实现了最先进（SOTA）的性能，在CUHK-SYSU数据集上获得80.2%的mAP和81.7%的top-1准确率，在PRW数据集上获得39.9%的mAP和81.6%的top-1准确率，性能相当乃至优于一些完全监督的方法。我们的源代码已公开：https://github.com/whbdmu/DSCA。
引用
@article{arxiv.2412.16506,
title = {Unsupervised Domain Adaptive Person Search via Dual Self-Calibration},
author = {Linfeng Qi and Huibing Wang and Jiqing Zhang and Jinjia Peng and Yang Wang},
journal= {arXiv preprint arXiv:2412.16506},
year = {2024}
}