面向行人重识别的无监督多源域自适应
计算机视觉与模式识别
2021-04-28 v1
摘要
面向行人重识别(re-ID)的无监督域自适应(UDA)方法旨在将re-ID知识从有标签的源数据迁移到无标签的目标数据。尽管取得了巨大成功，它们大多仅使用来自单源域的有限数据进行模型预训练，使得丰富的有标签数据未被充分利用。为充分利用这些有价值的标签数据，我们将多源概念引入UDA行人re-ID领域，在训练中使用多个源数据集。然而，由于域间差异，简单地组合不同数据集仅带来有限的提升。在本文中，我们试图从两个视角解决该问题，即域特定视角和域融合视角。提出了两个建设性模块，且它们彼此兼容。首先，探索了一种校正域特定批量归一化(RDSBN)模块，以同时减少域特定特征并增强行人特征的判别性。其次，开发了基于图卷积网络(GCN)的多域信息融合(MDIF)模块，通过融合不同域的特征来最小化域间距离。所提方法大幅优于最先进的UDA行人re-ID方法，甚至在无任何后处理技术的情况下取得了与有监督方法相当的性能。
引用
@article{arxiv.2104.12961,
title = {Unsupervised Multi-Source Domain Adaptation for Person Re-Identification},
author = {Zechen Bai and Zhigang Wang and Jian Wang and Di Hu and Errui Ding},
journal= {arXiv preprint arXiv:2104.12961},
year = {2021}
}
备注
CVPR 2021 Oral