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34天，点击查看活动详情

论文--[1] *Tao He ,  Leqi Shen ,  Zhenhua Guo , et al. SELECT:Self-Consistent Pseudo Label Refinement for Unsupervised Domain Adaptive Person Re-Identification[J]. InAAAI, 2022.

摘要

无监督域自适应行人重识别的目的是在源域中只有标记数据的未标记目标域上学习。目前，现有技术通常通过在目标域中基于伪标签的聚类和微调来解决这个问题。然而，伪标签噪声背后的原因还没有得到充分的探索，特别是对于流行的多分支模型。我们认为，不同特征空间之间的一致性是伪标签质量的关键。然后，提出了一种称为SECRET的自一致伪标签细化方法，通过相互细化从不同特征空间生成的伪标签来提高一致性。所提出的SECRET在训练过程中逐渐鼓励伪标签质量的提高，这进一步导致更好的跨域Re-ID性能。

解决问题

l 无监督域自适应的解决方法（1）基于生成模型的方法，使用生成模型GAN等将源域数据及其相应的标签转换为目标域，以便对生成的数据执行监督方法；（2）基于伪标签的方法，通过监督方法对源域数据的模型进行预训练，然后通过聚类生成伪标签并在目标域中使用伪标签进行微调。第（2）种方法有更好的性能。第（2）种方法的关键问题：伪标签的质量得不到保证

l 多分支是一种流行的基于伪标签的方法，可以同时探索全局和局部特征空间。不同特征空间的一致性是提升性能的关键，不同的特征空间应该产生相同的标签--不同特征空间从不同局部表示输入实例，只保留实例与其他特征空间一致的伪标签

贡献

l 首次揭示了不同特征空间的一致性是无监督域自适应person-ReID的关键。通过保持一致性，可以提高伪标签的质量

l 采用多分支网络，并设计了一种自一致伪标签细化方法，以逐步提高全局和局部特征空间的一致性

方法

图2：提出的自一致伪标签精化（SECRET）方法的总体框架。它由主干网络ResNet、全局和局部特征提取模块以及伪标签的相互细化策略组成。 对于给定的图像I，从主干获得的特征映射是f，在全局平均池（GAP）之后，全局特征fglobal将是2048维向量。对于局部特征，首先在特征映射f的顶部添加一个轻量BottleNeck来生成f′，然后将f′水平分割为两部分。在全局平均池化之后，得到的特征ftop和fbottom都是2048维向量。

全局特征空间由两个局部特征空间细化。两个局部特征空间中的每一个仅由全局特征空间细化。每个特征空间的精化伪标签被用作监督信号以微调网络。在推理时只使用全局特征

实验

数据集：Market1501,DukeMTMC-ReID,MSMT17