面向行人重识别的无监督领域泛化：一种特定领域自适应框架
计算机视觉与模式识别
2023-03-24 v2
摘要
近年来，领域泛化（DG）在行人重识别（ReID）中引起了广泛关注。它旨在使在多个源领域上训练的模型能够泛化到未见的目标领域。尽管取得了可喜的进展，但现有方法通常需要源领域被标记，这可能对实际的 ReID 任务构成重大负担。在本文中，我们转而研究 ReID 的无监督领域泛化，假设任何源领域均无可用标签。为应对这一具有挑战性的设定，我们提出了一种简单高效的特定领域自适应框架，并基于批归一化和实例归一化技术设计的自适应归一化模块予以实现。在此过程中，我们成功生成了可靠的伪标签以实施训练，并按要求增强了模型的领域泛化能力。此外，我们展示了我们的框架甚至可应用于改进监督领域泛化和无监督领域自适应设定下的行人 ReID，相较于相关方法展现出有竞争力的性能。我们在基准数据集上进行了广泛的实验研究，以验证所提出的框架。我们工作的一个重要意义在于它展示了无监督领域泛化在行人 ReID 中的潜力，并为该主题的进一步研究设定了强基线。
引用
@article{arxiv.2111.15077,
title = {Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework},
author = {Lei Qi and Jiaqi Liu and Lei Wang and Yinghuan Shi and Xin Geng},
journal= {arXiv preprint arXiv:2111.15077},
year = {2023}
}
备注
Accepted to Pattern Recognition (PR)