全新行人ReID域框架，达到SOTA效果！道翰天琼认知智能机器人平台API接口大脑为您揭秘-1。

本文链接：https://blog.csdn.net/m0_47891641/article/details/108131796

本文介绍了ECCV 2020论文提出的行人重识别新方法，通过特征解藕和域适应联合学习框架，有效提升跨域行人ReID性能。模型首先区分身份敏感和不敏感信息，然后仅在id相关特征上执行域适应，以减少干扰并优化结果。此外，文章还简述了道翰天琼认知智能机器人平台的API接口和功能。

摘要由CSDN通过智能技术生成

本文带来的是ECCV 2020 Oral 论文《Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification》，提出一种全新的联合学习框架，首先对原始行人特征进行解藕，得到身份敏感信息（id-related）和身份无关特征（id-unrelated），其后在域适应阶段中将id不相关特征进行剔除，有效提升了跨域行人ReID的性能。

动机

无监督域适应方法（UDA）已被广泛应用在跨域行人ReID问题上，不同的行人ReID数据集可能会在季节（行人着装）、背景、视角、光照和相机等方面有一定的差异，这会导致模型在新domain上的识别性能大打折扣。针对行人ReID的UDA方法依然遵循传统的设计原则，那就是要最大限度的缩小源域（source domain）和目标域（target domain）的差距，但是这类方法在自适应的过程中会同时包括id相关和id不相关的特征，而id不相关特征会干扰和限制域自适应的过程，如果能将这一部分特征剔除，让域适应专注于id相关特征，无疑能提高域适应的效果，本文基于此提出了特征解藕（Disentangling）和域适应（Adaptation）联合学习框架。
2

方法

本文方法可以看作是对DG-Net的改进版本，DG-Net发表在CVPR2019上，在单域空间内对特征进行解藕，通过对id相关特征进行加强生成更多的行人数据来训练模型，本文在此基础上将潜在的特征空间分为三部分：shared appearance space（外观特征，用来捕捉id相关信息），source structure space（空间结构特征，用来表示视角、姿态等id不相关特征），target structure space（目标结构空间），模型命名为DG-Net++。由于目标域缺乏标签，同时对id不相关特征也没有明确的定义，直接进行特征解藕具有一定的难度，作者巧妙的引入了循环一致性图像生成任务（cycle-consistency generation），让网络自动区分两种特征，同时只在id相关特征构成的特征空间中执行域适应，图像生成任务由循环一致损失和交叉熵损失监督，图像生成的质量越高，特征解藕的效果就越好，域适应过程也就更容易。
3