开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第17天，点击查看活动详情

论文--[1] Bai Z , Wang Z , Wang J , et al. Unsupervised Multi-Source Domain Adaptation for Person Re-Identification[J]. IEEE, 2021.

摘要

无监督域适应(UDA)方法用于行人重识别(re-ID)，旨在将有标记的源数据的重识别知识转移到无标记的目标数据。虽然取得了很大的成功，但大多数算法仅使用单一源域的有限数据进行模型预训练，使得丰富的标记数据得不到充分利用。为了充分利用有价值的标记数据，我们将多源概念引入UDA人行人重识别领域，在训练过程中使用多源数据集。然而，由于领域差异，简单地组合不同的数据集只能带来有限的改善。在本文中，我们试图从两个方面来解决这个问题，即:领域特定视图和领域融合视图。提出了两种可相互兼容的结构模块。首先，研究了一种精细化领域特定批处理归一化(RDSBN)模块，该模块可以同时减少领域特定特征，提高人的特征的显著性。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主距离。该方法大大优于目前最先进的UDA行人重识别方法，甚至在不使用任何后处理技术的情况下实现了与监督方法相当的性能

贡献

将多源的概念引入到行人重识别字段中。

提出了一种精细化的领域特定批处理规范化(RDSBN)模块，该模块可以在减少领域特定信息的同时提高人员特征的显著性--使用单个BN分支来捕获和减少特定领域的信息。并利用一种自适应调整BN参数的校正程序来增强身份相关信息，使特征更具鉴别能力

开发了一种基于GCN的多域信息融合(MDIF)模块，将不同的域融合到特征空间中，进一步揭示了GCN在缩小域间隙方面的作用--在该模块中提出了一个域-代理-节点的概念，将同一域的特征加权作为全局表示。使信息在域-代理-节点和实例之间传播，进行域融合。在测试过程中，域代理节点来自于记录的移动平均值，如BN，因此不需要额外的计算。

方法

结果

数据集：Market1501,DukeMTMC-reID,CUHK03,MSMT

实施细节

主干网络：ResNet50