论文名称：

DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations

论文链接：

https://arxiv.org/abs/2011.11953

项目链接：

https://github.com/WangWenhao0716/DomainMix

本文的目标是在完全无手工标注的情况下学习可以泛化的行人再辨识，这样可以利用真实世界中大规模且多样化的无标签数据。特别地，我们的目标是如何将有标签的虚拟数据和无标签的真实数据相结合以训练出更具有泛化能力的开箱即用的模型。所提出的问题见下图所示。这里实现域泛化的关键是如何同时充分利用虚拟数据集中有判别性的标签以及无标签的真实数据集中的图片的样式及其多样性。

提出的A+B->C任务，即：如何使用有标签的虚拟数据集A和无标签的真实数据集B训练出一个可以泛化到未知的数据集C的模型。

为了解决这个问题，我们提出了DomainMix框架。所提出的方法首先将无标签的真实图片聚类，并从中选出可靠的类别。训练过程中，为解决两个域之间的差异，我们通过提出域平衡损失函数来引导在域不变特征学习和域区分之间的对抗训练。这样既减少了虚拟数据和真实数据之间的域差异；大规模和多样性的训练数据又使得学到的特征更有泛化能力。

DomainMix框架主要由基于聚类的动态训练数据集生成和域不变的行人再辨识特征学习两部分组成。在动态训练数据集生成部分，我们设计了三个准则用于筛选聚类结果，由此动态生成可靠的训练集；在域不变的行人再辨识特征学习部分，首先，在每一个训练阶段前，分类层被动态初始化以加速分类损失的收敛；其次，在训练时，和常用的行人再辨识损失函数一起，我们额外设计了一个域平衡损失用来学习域不变的特征。因此，我们提出的 DomainMix框架可以很好地泛化到未知的域中。该方法的示意图如上图所示。

内容中包含的图片若涉及版权问题，请及时与我们联系删除