无监督的域自适应方法解读

发布于 2021-10-12 21:03

导读

标题:Mutual mean-teaching: pseudo label refinery for unsupervised domain adaptation on person re-identification

行人重识别任务指在不同摄像机镜头下捕获的图片中识别出同一个人的图片。近年来,为了促进这一领域的研究进展,越来越大数量级的行人重识别数据集被提出。然而即使有了大数据集,在已有数据集上训练好的模型被用于识别新摄像系统的图片时,性能也会显著下降,这是由于存在明显的域间差距。因此无监督的域自适应方法被用来解决这一问题。

论文解读

现有的无监督域自适应方法一般用聚类算法产生伪标签,用伪标签训练网络模型。即使聚类产生标签过程和用伪标签训练网络进行特征学习过程交替进行,仍然存在标签噪声的问题。标签噪声源自于对目标域的有限迁移能力、未知数量的目标域实体和聚类算法的不完美结果,因此网络的训练容易被标签噪声影响而产生次优结果。

为了有效解决标签噪声的问题,本文提出一个无监督互学习框架来有效进行伪标签优化,以在线互相教学的方式提供强大的软伪标签,其灵感来自师生方法,同时训练两个结构相同的网络。为了避免错误放大,用每个网络的历史平均模型,以产生可靠的软标签,以监督另一个网络,形成协作训练。通过在目标域上使用在线软伪标签对网络进行训练,可以反复改进所学特征表示,以提供更准确的软伪标签,从而进而进一步提高所学特征表示的判别性。


本文的贡献可以概括为三点:

(1)提出了解决基于最先进的基于聚类的无监督域自适应人员重识别方法中的标签噪音问题,这些方法大多被现有方法所忽略,且已证明对实现卓越的最终性能至关重要。提出的的相互平均教学(MMT)框架旨在提供更可靠的软标签。

(2)传统的三元损失只能与硬标签配合使用。为了使训练与软三元标签,以减轻伪标签噪音,提出软三元损失,以学习更多的判别性的人类特征。

(3)与最先进的方法相比,MMT 框架在人员重识别的所有无监督域自适应任务中表现出异常强大的性能。

今天的解读就到这里了,小编期待下期与你再见~

文字 | 汇视威金正峰

视频 | 汇视威金正唤

图片 | 汇视威成德善

编辑 | 汇视威成宝拉

本文来自网络或网友投稿,如有侵犯您的权益,请发邮件至:aisoutu@outlook.com 我们将第一时间删除。

相关素材