摘要

行人重识别（Person Re-Identification, Re-ID）是一项极具挑战性的任务，主要源于同一身份样本之间以及成像条件上的高度差异性。尽管深度学习的最新进展在固定场景（即源域）下已取得显著的识别准确率，但现有方法在未见目标域上的泛化能力仍普遍不足。一种常见的解决方案是通过聚类为未标注的目标域图像分配伪标签，随后利用这些伪标签重新训练模型。然而，聚类方法往往会产生噪声标签，并将置信度较低的样本视为异常值予以剔除，这可能干扰后续的再训练过程，从而限制模型的泛化性能。在本研究中，我们提出通过在聚类后显式引入样本过滤机制，能够更高效地利用挖掘出的样本。为此，我们设计了一种非对称协同教学（Asymmetric Co-Teaching, ACT）框架，该框架通过两个模型之间的协作，相互筛选出可能具有清洁标签的数据，从而有效抵御噪声标签的影响。具体而言，其中一个模型接收尽可能纯净的样本，而另一个模型则接收尽可能多样化的样本。这一机制促使所选训练样本兼具清洁性与多样性，同时使两个模型能够在迭代过程中相互促进、共同优化。大量实验结果表明，所提出的框架能够持续提升大多数基于聚类的方法的性能，并显著提高当前最先进的域自适应识别准确率。相关代码已开源，地址为：https://github.com/FlyingRoastDuck/ACT_AAAI20。