[行人重识别论文]Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-identific

摘要：基于聚类的无监督域自适应( UDA )行人重识别( ReID )减少了穷举标注。然而，由于不理想的特征嵌入和不完美的聚类，目标域数据的伪标签固有地包含未知比例的错误标签，这将误导特征学习。在本文中，我们提出了一种名为概率不确定性引导的渐进标签精炼( P2LR )的领域自适应行人重识别方法。首先，我们提出用概率距离和理想单峰分布来建模标记不确定性。建立了一种量化标准来衡量伪标签的不确定性，便于网络训练。其次，我们探索了一种逐步细化伪标签的策略。通过不确定性引导的替代优化，我们在目标域数据的探索和噪声标注的负面影响之间进行了平衡。在一个强大的基线之上，我们获得了显著的改进，并在四个UDA ReID基准上达到了最先进的性能。具体来说，我们的方法在Duke2Market任务上比基准方法提高了6.5 % mAP，而在Market2MSMT任务上比最先进的方法提高了2.5 % mAP.

Figure 1: P2LR中的概率不确定性。对于带有伪标签" yi "的目标域图像xi，提取其特征fi，得到预测分布P ( xi , "yi")。我们通过计算与理想分布Q( xi , "yi")的KL概率距离来估计( xi , "yi")的不确定性。

贡献：

1. 我们提出对UDA人员ReID伪标签的概率不确定性进行度量。建立了一个估计样本的预测分布与理想分布的概率距离的定量标准，作为消除错误标记样本的标准。
2. 我们提出了一个概率不确定性引导的渐进标签精炼厂( P2LR )框架来确定和纯化UDA人员ReID的目标域样本的错误标签

Figure 2: 面向UDA人员ReID的P2LR框架的概述。我们首先构建了一个具有共同均值教师的聚类基线。在基线的基础上，我们引入概率不确定性指导的渐进标签精炼来评估伪标签的噪声水平，并减少噪声样本的负面影响。我们基于MMT ( Ge , Chen , and Li 2020)为UDA行人ReID构建了一个基于聚类的流水线。遵循基于聚类方法的一般流程，包括三个阶段：源域模型预训练、聚类和目标域微调。在源预训练阶段，采用相同的架构建立两个同胞网络。它们用不同的随机种子初始化，用相同的数据进行训练，但经历了不同的数据增强，以减少依赖性。通过身份损失Lid和三元组损失Ltri对网络进行优化。在聚类阶段，通过聚类生成目标域数据的伪标签。在目标微调阶段，利用学生模型随迭代次数的指数移动平均建立两个平均教师M1和M2。将一个教师模型的预测作为软标签，相互监督另一个学生的训练。除了聚类提供的识别和具有硬伪标签的三元组损失外，每个模型还由具有软标签的库尔贝克-莱布勒( KL )散度损失LKL和软三元组损失Lstri引导。

微调阶段的整体损失函数为：

Figure 3: 在Duke2Market的第一步精炼过程中，具有错误伪标签( a )和具有正确伪标签( b )的样本的概率分布。标签错误的样品是模棱两可的，有几个峰。相比之下，具有正确伪标签的样本是显式的，在真实身份中达到很高的程度。( c )标签正确/错误的样本直方图。我们的概率不确定性与正确性高度相关。不确定性低的样本更可能具有正确的标签。

总结：在本文中，我们旨在发现错误的伪标签，并减少其对基于聚类的UDA行人重识别的负面影响。我们观察到具有错误伪标签的样本的概率分布是模糊的，具有多个峰值，这与正确标记的样本是不同的。这启发我们为UDA行人重识别提出了一种概率不确定性引导的渐进标签精炼( P2LR )框架。我们通过交替优化来解决这个问题，在目标域利用和噪声标签过拟合之间取得平衡。所提出的方法在强大的基线上带来了显著的改进，并在四个基准上达到了最先进的性能。

本文内容来自于论文：Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-identification