[论文解读] AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification

Yunpeng Zhai, Shijian Lu+5 more|arXiv (Cornell University)|Apr 19, 2020

Video Surveillance and Tracking Methods参考文献 52被引用 32

一句话总结

AD-Cluster 提出了一种无监督域自适应的方法，通过对目标域样本进行迭代聚类、通过 StarGAN 在跨摄像头进行增强，并通过一个最小-最大对抗框架学习判别特征。

ABSTRACT

Domain adaptive person re-identification (re-ID) is a challenging task, especially when person identities in target domains are unknown. Existing methods attempt to address this challenge by transferring image styles or aligning feature distributions across domains, whereas the rich unlabeled samples in target domains are not sufficiently exploited. This paper presents a novel augmented discriminative clustering (AD-Cluster) technique that estimates and augments person clusters in target domains and enforces the discrimination ability of re-ID models with the augmented clusters. AD-Cluster is trained by iterative density-based clustering, adaptive sample augmentation, and discriminative feature learning. It learns an image generator and a feature encoder which aim to maximize the intra-cluster diversity in the sample space and minimize the intra-cluster distance in the feature space in an adversarial min-max manner. Finally, AD-Cluster increases the diversity of sample clusters and improves the discrimination capability of re-ID models greatly. Extensive experiments over Market-1501 and DukeMTMC-reID show that AD-Cluster outperforms the state-of-the-art with large margins.

研究动机与目标

• 在目标身份未知的情况下，推动域自适应的人体重识别。
• 通过聚类和增强利用丰富的未标记目标域样本。
• 通过联合学习样本多样性和特征分离来提升判别能力。
• 在 Market-1501 和 DukeMTMC-reID 数据集上展示超过现有方法的提升。

提出的方法

• 基于密度的聚类用于在目标域生成伪标签。
• 使用 StarGAN 在跨摄像头进行自适应样本增强，以在保持伪标签的同时增加目标域多样性。
• 在图像生成器与特征编码器之间进行对抗的最小-最大学习，以增加样本多样性并收紧簇内特征距离。
• 基于三元组的判别学习，以最小化簇内距离并最大化簇间距离。
• 迭代重新聚类和重新训练，以逐步改进伪标签和表示。

实验结果

研究问题

• RQ1 如何在无需人工标注的情况下，有效利用目标域未标注样本实现域自适应重识别？
• RQ2 跨摄像头图像生成在不损害身份识别的前提下，是否能够丰富样本多样性以改善判别学习？
• RQ3 在生成器与特征编码器之间的对抗最小-最大框架是否可以改善簇质量和重识别性能？
• RQ4 聚类、增强和判别学习各自对跨 DukeMTMC-reID 与 Market-1501 的转移性能有何贡献？

主要发现

• AD-Cluster 在 DukeMTMC-reID → Market-1501 的无监督域自适应性能达到最新水平；Market-1501 → DukeMTMC-reID 也实现了转移。
• 对于 DukeMTMC-reID → Market-1501，AD-Cluster 达到 86.7% 的 rank-1 和 68.3% 的 mAP（显著优于此前最佳）。
• 对于 Market-1501 → DukeMTMC-reID，AD-Cluster 实现 72.6% 的 rank-1 和 54.1% 的 mAP（优于此前最佳）。
• 自适应样本增强和判别学习依次对比基线和消融实验有显著提升。
• 迭代的最小-最大聚类相较仅密度聚类，提升伪标签准确性和整体重识别指标。