【CVPR2021】用于行人重识别的无监督多源域自适应

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