基于对比重演的无监督终身行人重识别
计算机视觉与模式识别
2022-03-15 v1
摘要
现有无监督行人重识别（ReID）方法聚焦于将源域上训练的模型适配到固定目标域。然而，适配后的 ReID 模型通常仅在某一特定目标域上表现良好，难以记忆源域知识并泛化至后续未见过的数据。本文提出无监督终身行人重识别，其聚焦于在新域上持续进行无监督域适配，且不遗忘从旧域学到的知识。为应对无监督终身 ReID，我们在顺序适配新域的同时，对少量存储的旧样本进行对比重演。我们进一步在旧模型与新模型间设置图像到图像的相似性约束，以契合旧知识的方式正则化模型更新。我们在多个大规模数据集上以无监督方式顺序训练模型，并在所有已见域及若干未见域上测试，以验证方法的泛化性。所提无监督终身方法实现了强泛化性，在已见与未见域上均显著优于先前终身方法。代码将发布于 https://github.com/chenhao2345/UCR。
引用
@article{arxiv.2203.06468,
title = {Unsupervised Lifelong Person Re-identification via Contrastive Rehearsal},
author = {Hao Chen and Benoit Lagadec and Francois Bremond},
journal= {arXiv preprint arXiv:2203.06468},
year = {2022}
}