超级会员免费看
论文探讨了行人重识别在未见过场景下的跨域问题，提出Semi-Supervised Knowledge Distillation (SSKD)框架。通过DataHunter系统从YouTube视频获取软标注数据，结合17个开源数据集，训练学生模型以模仿教师模型的预测，提升模型的泛化能力。实验表明，该方法在Market1501上取得了89.99%的准确率。
参考：
【1】《Semi-Supervised Domain GeneralizablePerson Re-Identification》
【2】GitHub - xiaomingzhid/sskd: Semi-supervised Knowledge Distillation
1.摘要
行人重识别部署时，会收到一个未见过的场景的影响。最近有大量的工作都是针对这种跨域自适应的行人重识别研究。但是每当应用于一个场景时，就需要收集相应场景的数据，导致行人重识别的应用有一些阻碍。
作者提出适用17个开源数据集+YouTube street-view videos作为训练集FastHuman (∼ 440K+ labeled images)，3个开源数据集作为测试集，通过Sem
订阅专栏 解锁全文
扫一扫
8192
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
