摘要
本文研究了域适应行人重识别（re-ID）问题：从一个有标签的源域和一个无标签的目标域中学习一个re-ID模型。传统方法主要集中在缩小源域和目标域之间的特征分布差异。然而，这些研究大多忽略了目标域内的变化，而这些变化包含了影响目标域测试性能的关键因素。在本工作中，我们全面探讨了目标域内的变化，并提出了针对三种基本不变性的泛化re-ID模型，即样本不变性（exemplar-invariance）、摄像机不变性（camera-invariance）和邻域不变性（neighborhood-invariance）。为了实现这一目标，引入了一个样本记忆模块来存储目标域的特征并容纳这三种不变性属性。该记忆模块允许我们在全局训练批次上施加不变性约束，而不会显著增加计算成本。实验结果表明，这三种不变性属性和所提出的记忆模块对于构建有效的域适应系统是不可或缺的。在三个re-ID领域的测试结果显示，我们的域适应准确率大幅超过了现有最先进方法。代码可在以下地址获取：https://github.com/zhunzhong07/ECN
代码仓库
GJTNB/reading-memo
pytorch
GitHub 中提及
zhunzhong07/ECN
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| unsupervised-domain-adaptation-on-duke-to | ENC | mAP: 43.0 rank-1: 75.1 |
| unsupervised-domain-adaptation-on-duke-to-1 | ECN | mAP: 10.2 rank-1: 30.2 rank-10: 46.8 rank-5: 41.5 |
| unsupervised-domain-adaptation-on-market-to | ENC | mAP: 40.4 rank-1: 63.3 |
| unsupervised-domain-adaptation-on-market-to-1 | ECN | mAP: 8.5 rank-1: 25.3 rank-10: 42.1 rank-5: 36.3 |
| unsupervised-person-re-identification-on | ECN | Rank-1: 63.3 Rank-10: 80.4 Rank-20: 84.2 Rank-5: 75.8 mAP: 40.4 |
| unsupervised-person-re-identification-on-1 | ECN | Rank-1: 75.1 Rank-10: 91.6 Rank-20: 94.5 Rank-5: 87.6 mAP: 43 |
| unsupervised-person-re-identification-on-2 | ECN | Rank-1: 25.3 Rank-10: 42.1 Rank-5: 36.3 mAP: 8.5 |
| unsupervised-person-re-identification-on-3 | ECN | Rank-1: 30.2 Rank-10: 46.8 Rank-5: 41.5 mAP: 10.2 |
| unsupervised-person-re-identification-on-4 | ECN | MAP: 43 Rank-1: 75.1 Rank-10: 91.6 Rank-5: 87.6 |
| unsupervised-person-re-identification-on-5 | ECN | MAP: 40.4 Rank-1: 63.3 Rank-10: 80.4 Rank-5: 75.8 |