无监督域自适应重识别：理论与实践
计算机视觉与模式识别
2018-07-31 v1
摘要
我们研究无监督域自适应重识别（re-ID）问题，这是计算机视觉中一个活跃的话题但缺乏理论基础。我们首先将现有的无监督域自适应分类理论扩展到 re-ID 任务。具体而言，我们对提取的特征空间引入一些假设，并基于这些假设推导出若干损失函数。为优化它们，提出了一种用于无监督域自适应 re-ID 任务的新型自训练方案。该方案基于编码器对未标记目标数据迭代地进行猜测，并基于猜测的标签训练编码器。在无监督域自适应行人 re-ID 和车辆 re-ID 任务上与最先进方法的广泛对比实验证实了所提理论和自训练框架的有效性。我们的代码可在 \url{https://github.com/LcDog/DomainAdaptiveReID} 获取。
引用
@article{arxiv.1807.11334,
title = {Unsupervised Domain Adaptive Re-Identification: Theory and Practice},
author = {Liangchen Song and Cheng Wang and Lefei Zhang and Bo Du and Qian Zhang and Chang Huang and Xinggang Wang},
journal= {arXiv preprint arXiv:1807.11334},
year = {2018}
}