引言
通过深度学习和大量带标签的训练数据,行人再识别(Re-ID)取得了很大的进步。然而,将在标记数据的源域中训练的模型调整为仅可用未标记数据的目标域仍然是一项艰巨的任务。在这项工作中,我们开发了一种具有渐进增强框架(PAST)的自训练方法,以在目标数据集上逐步提升模型性能。特别地,我们的PAST框架包括两个阶段,即保留阶段和提升阶段。保留阶段使用基于三元组的损失函数捕获目标域数据点的局部结构,从而改进了特征表示。提升阶段通过在模型的最后一层附加一个可变的分类层来连续优化网络,从而可以使用有关数据分布的全局信息。重要的是,我们提出了一种新的自我训练策略,该策略通过交替采用保守阶段和晋升阶段来逐步增强模型能力。此外,为了提高所选三元组样本的可靠性,我们在保守阶段引入了基于排名的三元组损失,这是一种基于数据对之间相似度的无标签目标函数。
方法
本文的框架结构:
首先是在源域上进行有监督训练,将训练得到的模型在目标域数据集上提取图像特征,这样就能获得一个相似性矩阵;然后将相似性矩阵