student-teacher
文章平均质量分 85
基于student-teacher模式的跨域reid
murphys_law_dj
这个作者很懒,什么都没留下…
展开
-
Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification论文解读
论文收录于 AAAI2021论文地址:https://arxiv.org/abs/2012.08733v2动机利用伪标签聚类容易产生错误的或噪声标签。思路提出一个探索样本不确定性的方法——在mean teacher输出中,如果是错误的伪标签,两个模型的输出一致性比较低,因此用这个一致性来衡量一个不确定性,从而对损失进行一个加权。(一致性低的,对损失的权重就低一些,因为很可能是错误的聚类标签)这个图的含义:用 mean teacher 模型输出的特征不一致性来衡量所谓的不确定性。纵坐标是图片数量原创 2022-01-07 17:31:49 · 671 阅读 · 0 评论 -
Unsupervised Person Re-identification via Simultaneous Clustering and Consistency Learning论文讲解
2021年4月份挂在arxiv上的文章,也是属于mean-teaching训练策略的UDA论文地址:https://arxiv.org/pdf/2104.00202.pdf思路挺不错的,点数也还可以。思路baseline仍然采用mean-teacher(MEB-Net和MMT那套),不同在于加了 DDL(动态丢弃层),把丢弃后的feature map加到输入的featue中,获得输出,做三个损失。个人理解:在特征层面上加入随机擦除的特殊数据增强方法——丢弃了部分特征,仍然保持一致。动机作者采原创 2022-01-07 17:23:55 · 1053 阅读 · 0 评论 -
Enhancing Diversity in Teacher-Student Networks via Asymmetric branches for Unsupervised reid论文解读
收录于WAVC2021论文地址:https://openaccess.thecvf.com/content/WACV2021/papers/Chen_Enhancing_Diversity_in_Teacher-Student_Networks_via_Asymmetric_Branches_for_Unsupervised_WACV_2021_paper.pdf出发点M-T模型可以减小无监督reid任务中聚类的噪声,但是,teacher和student的自我集成容易让网络迅速收敛到一个局部最小值。因原创 2022-01-07 17:13:27 · 506 阅读 · 0 评论 -
Multiple Expert Brainstorming for Domain Adaptive Person Re-identification论文解读
和 MMT 那篇有着异曲同工之妙,同一年发出,不过这篇专注于多个mean-teacher模型的融合论文收录:ECCV2020论文地址:http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123520579.pdf论文代码:https://github.com/YunpengZhai/MEB-Net思路提出一个相互学习策略:用不同结构的多个网络(expert)在源域训练,学习特定的特征,然后通过这些expert相互学习实现跨域。方法本原创 2022-01-05 21:57:06 · 1130 阅读 · 1 评论 -
Towards Discriminative Representation Learning for Unsupervised Person Re-identification论文解读
ICCV 2021论文地址:https://openaccess.thecvf.com/content/ICCV2021/papers/Isobe_Towards_Discriminative_Representation_Learning_for_Unsupervised_Person_Re-Identification_ICCV_2021_paper.pdf动机采用一般的UDA方法:源域预训练+目标域伪标签微调,这种方法有2个缺点:(1)伪标签噪声;(2)两个域的gap。思路三种方法:聚类对比原创 2022-01-05 21:45:27 · 626 阅读 · 1 评论 -
mutual mean-teaching pseudo label refinery for UDA reid论文解读
简称 MMT跨域无监督reid的典型代表之作,由CUHK的葛艺潇大佬出品,详细解读可以上某乎大佬的个人解读。收录于ICLR2020论文地址:https://openreview.net/pdf?id=rJlnOhVYPS动机1、解决聚类算法出现的噪声问题。方法1、MMT:离线修正难例标签和在线修正软标签。2、采用softmax-triplet loss。一、聚类的一般方法第一,输入通过网络得到特征,对特征进行聚类,得到的结果作为gt。(聚类会引入噪声)第二,将这些特征经过分类器得到预测原创 2022-01-05 21:37:07 · 732 阅读 · 0 评论