[论文解读] Imitating Targets from all sides: An Unsupervised Transfer Learning method for Person Re-identification

Jiajie Tian, Teng Zhu+4 more|arXiv (Cornell University)|Apr 10, 2019

Video Surveillance and Tracking Methods参考文献 20被引用 6

一句话总结

本文提出了一种用于行人重识别的无监督迁移学习方法，通过一种新颖的 ImitateModel 训练双分类损失，以缓解跨数据集偏差和数据集内变化，该方法通过利用域间共享的类别风格特征来学习判别性表征。该方法在 Market-1501 和 DukeMTMC-reID 基准上实现了最先进性能，且无需目标数据的标注。

ABSTRACT

Person re-identification (Re-ID) models usually show a limited performance when they are trained on one dataset and tested on another dataset due to the inter-dataset bias (e.g. completely different identities and backgrounds) and the intra-dataset difference (e.g. camera invariance). In terms of this issue, given a labelled source training set and an unlabelled target training set, we propose an unsupervised transfer learning method characterized by 1) bridging inter-dataset bias and intra-dataset difference via a proposed ImitateModel simultaneously; 2) regarding the unsupervised person Re-ID problem as a semi-supervised learning problem formulated by a dual classification loss to learn a discriminative representation across domains; 3) exploiting the underlying commonality across different domains from the class-style space to improve the generalization ability of re-ID models. Extensive experiments are conducted on two widely employed benchmarks, including Market-1501 and DukeMTMC-reID, and experimental results demonstrate that the proposed method can achieve a competitive performance against other state-of-the-art unsupervised Re-ID approaches.

研究动机与目标

• 解决由不同身份和背景引起的跨数据集偏差（如不同身份和背景）以及由摄像头差异引起的数据集内变化带来的行人重识别中的域移位挑战。
• 通过利用未标注的目标数据集实现无监督行人 Re-ID，以提升模型泛化能力，而无需目标数据的标注。
• 将无监督 Re-ID 问题形式化为半监督学习任务，使用双分类损失以增强域间特征的判别性。
• 通过利用不同域之间类别风格空间中的潜在共性，提升模型的泛化能力。

提出的方法

• 引入 ImitateModel，通过学习跨域表征，同时缓解跨数据集偏差和数据集内变化。
• 将无监督 Re-ID 任务形式化为半监督学习问题，利用双分类损失对源域有标签数据和目标域无标签数据进行联合训练。
• 通过类别风格空间捕捉共享语义模式，鼓励域间特征表示的一致性，以学习判别性特征。
• 利用类别风格空间建模域不变特性，增强模型对未见域的泛化能力。
• 通过结合源域上的监督对比损失和目标域上的基于伪标签的自训练策略，端到端训练模型。
• 应用特征层级归一化和度量学习，以提升学习嵌入的判别能力。

实验结果

研究问题

• RQ1 无监督迁移学习方法能否有效缓解行人重识别中的跨数据集偏差和数据集内变化？
• RQ2 在域间共享类别风格特征的建模如何提升无监督 Re-ID 中的泛化能力？
• RQ3 在缺乏目标数据标注的情况下，双分类损失策略在多大程度上能增强判别性表征学习？
• RQ4 所提出的 ImitateModel 是否在标准基准上优于现有的无监督 Re-ID 方法？

主要发现

• 所提方法在 Market-1501 和 DukeMTMC-reID 基准上实现了具有竞争力的性能，优于其他最先进无监督 Re-ID 方法。
• 双分类损失通过半监督方式利用伪标签目标样本，显著提升了特征判别性。
• ImitateModel 通过同时缓解跨数据集偏差和数据集内变化，有效减少了域移位。
• 利用类别风格空间可提升泛化能力，如在不同域适应场景中均表现出一致的性能提升。
• 该方法对由摄像头视角、光照和背景变化引起的域移位表现出强鲁棒性。
• 消融实验验证了双损失和类别风格空间对最终性能均有显著贡献。