自相似性分组的无监督跨域车辆再识别方法

车辆再识别旨在从不同摄像机捕获的非重叠图像中识别相同身份的车辆。在这项工作中,由于不同数据集之间的域偏差大,导致了在有标签的源域上表现良好的模型应用在目标域时,会出现极大的性能下降。为了解决这个问题,探索如何利用目标域中存在的相似的自然特征来实现车辆再识别。具体来说,提出了一种自相似性分组的方法,该方法通过利用未标记的目标域样本中潜在的相似性,自动构建出不同视图的多个集群。然后对这些的集群分配伪标签,这些伪标签可以对训练过程进行监督。通过反复地进行这样的分组和训练,直到模型最终稳定。尽管该过程十分简单,但是实验结果表明,该方法在VehicleID→VeRi776上,mAP、Rank-1分别为38.6%、73.9%;在VeRi776→VehicleID上,mAP、Rank-1分别为52.13%、57.96%,能够有效通过目标域的自相似性学习,提升模型的跨域性能。