本文将多源概念引入UDA行人Re-ID任务中,并提出RDSBN归一化新模块,并提出基于GCN的多源信息融合模块,表现SOTA!性能优于MMT、DG-Net++网络。

用于行为重识别(re-ID)的无监督域自适应(UDA)方法旨在将re-ID知识从已标记的源数据传输到未标记的目标数据。尽管取得了巨大的成功,但大多数人仅使用来自单一来源域的有限数据进行模型预训练,从而使得无法充分利用丰富的标记数据。为了充分利用有价值的标记数据,我们将多源概念引入到UDA行人re-ID中,其中在训练过程中使用了多个源数据集。但是,由于域的空白,仅组合不同的数据集只会带来有限的改进。在本文中,我们尝试从两个角度(即特定于域的视图和域融合视图)解决此问题。提出了两个建设性的模块,它们彼此兼容。首先,探索一种整流领域特定的批处理归一化(RDSBN)模块,以同时减少领域特定的特征并增加人员特征的独特性。其次,开发了基于图卷积网络(GCN)的多域信息融合(MDIF)模块,该模块通过融合不同域的特征来最小化域距离。所提出的方法在很大程度上优于最新的UDA人员re-ID方法,甚至在没有任何后处理技术的情况下,甚至可以达到与监督方法相当的性能。

https://www.zhuanzhi.ai/paper/d36ea50a4c9b40a4919e7d52b9550dbe

成为VIP会员查看完整内容
20

相关内容

【CVPR2021】背景鲁棒的自监督视频表征学习
专知会员服务
15+阅读 · 2021年3月13日
专知会员服务
43+阅读 · 2021年1月31日
【ACM MM2020】跨模态分布匹配的半监督多模态情感识别
专知会员服务
41+阅读 · 2020年9月8日
【CVPR2020】跨模态哈希的无监督知识蒸馏
专知会员服务
59+阅读 · 2020年6月25日
【CVPR2020-Oral】用于深度网络的任务感知超参数
专知会员服务
25+阅读 · 2020年5月25日
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
59+阅读 · 2020年5月25日
一种行人重识别监督之下的纹理生成网络
人工智能前沿讲习班
4+阅读 · 2019年6月30日
干货 | 快速端到端嵌入学习用于视频中的目标分割
计算机视觉战队
10+阅读 · 2019年3月27日
通过时空模型迁移学习的无监督的跨数据集行人重新识别
统计学习与视觉计算组
8+阅读 · 2018年10月23日
CVPR2018:基于时空模型无监督迁移学习的行人重识别
全球人工智能
7+阅读 · 2018年3月26日
行人再识别中的迁移学习
计算机视觉战队
11+阅读 · 2017年12月20日
Disentangled Information Bottleneck
Arxiv
12+阅读 · 2020年12月22日
Teacher-Student Training for Robust Tacotron-based TTS
Arxiv
4+阅读 · 2018年4月17日
VIP会员
相关VIP内容
【CVPR2021】背景鲁棒的自监督视频表征学习
专知会员服务
15+阅读 · 2021年3月13日
专知会员服务
43+阅读 · 2021年1月31日
【ACM MM2020】跨模态分布匹配的半监督多模态情感识别
专知会员服务
41+阅读 · 2020年9月8日
【CVPR2020】跨模态哈希的无监督知识蒸馏
专知会员服务
59+阅读 · 2020年6月25日
【CVPR2020-Oral】用于深度网络的任务感知超参数
专知会员服务
25+阅读 · 2020年5月25日
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
59+阅读 · 2020年5月25日
相关资讯
一种行人重识别监督之下的纹理生成网络
人工智能前沿讲习班
4+阅读 · 2019年6月30日
干货 | 快速端到端嵌入学习用于视频中的目标分割
计算机视觉战队
10+阅读 · 2019年3月27日
通过时空模型迁移学习的无监督的跨数据集行人重新识别
统计学习与视觉计算组
8+阅读 · 2018年10月23日
CVPR2018:基于时空模型无监督迁移学习的行人重识别
全球人工智能
7+阅读 · 2018年3月26日
行人再识别中的迁移学习
计算机视觉战队
11+阅读 · 2017年12月20日
微信扫码咨询专知VIP会员