基于一致性约束和标签优化的无监督域适应行人重识别
目的 无监督域适应行人重识别(unsupervised domain adaptive pedestrians're-identification,UDA Re-ID)旨在通过已有标记的应用场景(即源域)数据和新的无标记应用场景(即目标域)数据,训练一个可以在目标域泛化性能好的行人重识别模型.现有方法没有考虑实例特征在训练过程中的不稳定问题,也没有显式考虑由于相机变化所导致的行人类内距离变大、类间距离变小的问题,以及无标注目标域数据聚类误差带来的伪标签噪声问题.针对这些问题,提出了一种具有一致性约束和标签优化的方法.方法 首先提出了实例一致性以约束同一实例在不同增广下的特征距离,提升行人实例特征稳定性;然后提出相机一致性以约束跨相机正实例特征对之间的距离,提升对相机变化的鲁棒性;最后提出了基于标签集成的标签优化,将one-hot编码的伪标签转换为更可靠的软标签,提升了监督信号的鲁棒性.结果 本文方法在Duke→Market,Market→Duke,Duke→MSMT,Market→MSMT等常用的UDA Re-ID任务上的平均精度均值(mean average precision,mAP)分别为85.0％,73.5％,41.3％,39.3％;Rank-1分别为94.0％,85.6％,71.6％,69.5％.通过消融实验验证了本文提出的3个模块的有效性.结论 提出的实例一致性约束和相机一致性约束可以使模型学习到更鲁棒的行人特征表达,提升行人特征的稳定性,提出的基于标签集成的标签优化可以减少伪标签噪声的过拟合风险.
计算机视觉、行人重识别(Re-ID)、无监督域适应(UDA)、一致性约束、标签优化
28
TP391.4(计算技术、计算机技术)
国家自然科学基金;中央高校基本科研业务费专项;高等学校学科创新引智计划
2023-05-19（万方平台首次上网日期，不代表论文的发表时间）
共12页
1372-1383
