基于渐进适配的无监督车辆重识别
计算机视觉与模式识别
2020-06-23 v1
摘要
车辆重识别（reID）旨在跨不同非重叠摄像头视角识别车辆。现有方法严重依赖良好标注的数据集以获得理想性能，由于训练域与真实场景间严重的域偏差，这不可避免地导致性能显著下降；更糟的是，这些方法需要完整标注，耗时耗力。为应对这些挑战，我们提出一种用于车辆重识别的新型渐进适配学习方法，称为 PAL，其从大量无标注数据中推断。对于 PAL，采用一个数据适配模块处理源域，生成与无标注目标域数据分布相似的图像作为“伪目标样本”。这些伪样本与通过动态采样策略筛选出的无标注样本结合，以加快训练。我们进一步提出加权标签平滑（WLS）损失，其考虑不同簇间样本的相似性以平衡伪标签的置信度。在 VehicleID 与 VeRi-776 数据集上的综合实验结果验证了 PAL 的优势。
引用
@article{arxiv.2006.11486,
title = {Unsupervised Vehicle Re-identification with Progressive Adaptation},
author = {Jinjia Peng and Yang Wang and Huibing Wang and Zhao Zhang and Xianping Fu and Meng Wang},
journal= {arXiv preprint arXiv:2006.11486},
year = {2020}
}
备注
Appearing at IJCAI 2020