-
题名基于相关性得分的伪标签优化行人重识别
- 1
-
-
作者
程德强
黄绩
寇旗旗
张剑英
李云龙
-
机构
中国矿业大学信息与控制工程学院
中国矿业大学计算机科学与技术学院
-
出处
《控制与决策》
EI
CSCD
北大核心
2024年第8期2579-2587,共9页
-
基金
国家自然科学基金项目(52204177).
-
文摘
无监督域自适应行人重识别旨在将源域训练的识别能力泛化到目标域上,以减少对标签的依赖.目前基于聚类方法的网络,聚类过程中不可避免地会受到环境噪声的影响,降低网络原有识别性能.为了解决这一问题,提出一种基于相关性得分的伪标签优化行人重识别网络.首先,通过计算全局与局部特征间前k个相似样本集合的相关性得分,找到两类特征直接可靠的关联性,从而提取已有伪标签优化方法所忽略的局部细粒度特征;然后,利用得分对局部伪标签进行优化处理,降低网络对与行人无关局部特征的关注;最后,依赖于相关性得分,利用优化后局部伪标签的预测结果对全局伪标签进行细化,缓解聚类过程中噪声的同时也细化了行人的特征完整表示.与近年无监督域自适应行人重识别方法相比,所提出网络在DukeMTMC-ReID、Market 1501和MSMT 17三个公开数据集上的实验结果表现优异,验证了所提出网络的有效性.
-
关键词
无监督域自适应
行人重识别
深度学习
细粒度特征
相关性得分
伪标签优化
-
Keywords
unsupervised domain adaptation
person re-identification
deep learning
fine-grained features
correlation score
local pseudo label refinement
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名类别语义信息对齐的无监督领域自适应网络
被引量：1
- 2
-
-
作者
贾熹滨
李启铭
王珞
-
机构
北京工业大学信息学部
-
出处
《北京工业大学学报》
CAS
CSCD
北大核心
2023年第5期523-531,共9页
-
基金
北京市自然科学基金资助项目(4202004)
国家自然科学基金资助项目(61871276,82071876)。
-
文摘
针对在目标应用场景中缺乏大量有标定训练数据的情况下难以获得有效的深度学习分类模型的问题,结合领域分布差异的方法与对抗学习方法的优势,提出以显式特征对齐与隐式领域对抗及类别对齐为基础的领域自适应框架.对于显式特征对齐模块,考虑到领域知识差异大带来的优化难题,采用渐进式协同优化策略,通过逐层减小不同语义层之间的领域差异,提升领域自适应性能.对于隐式类别对齐模块,为了增强目标特征的判别性,使用自训练方法获得伪标签,克服伪标签存在的标签噪声问题,并通过学习混淆矩阵优化伪标签的准确率,自动构造新的目标领域损失函数,从而在减小领域间差异的同时,提升源领域与目标领域相同类别的特征分布对齐的准确性.基于Office-31数据集的6个跨领域分类任务与基于Office-Home数据集的12组跨领域分类任务的实验结果表明,该方法在迁移学习任务上的平均分类准确率相较于基准方法分别提升11.9%和19.9%,所提出网络对于领域自适应任务是有效的.
-
关键词
迁移学习
领域自适应
领域对抗学习
领域特征对齐
图像分类
伪标签优化
-
Keywords
transfer learning
domain adaptation
domain-adversarial learning
domain feature alignment
image classification
pseudo label optimization
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
