中间域对齐模型

跨域行人重识别

通过中间域模块和镜像生成模块弥合源域与目标域差距，在UDA和DG场景下均取得显著提升。

Dai, Yongxing · Sun, Yifan · Jun, Liu · Tong, Zekun · 段凌宇

International Journal of Computer Vision 2024

参数信息

Rank-1精度提升（UDA）

9.9 %

Rank-1精度提升（DG）

7.8 %

技术优势

不用直接对齐源域和目标域

通过中间域逐步缩小差距，避免直接对齐时因域差距过大导致的知识传递困难。

精度提升显著

在MSMT17基准上，UDA和DG场景的Rank-1精度分别提升最高9.9%和7.8%，刷新了最高水平。

身份信息保留

Mirrors Generation Module补偿中间域生成时的身份损失，使特征映射到中间域时不改变原始身份。

应用场景

• 行人重识别：跨域模型迁移后，在新场景中直接检索行人身份，无需大量标注。
• 跨域迁移：利用中间域平滑过渡，解决源域和目标域数据分布差异大的问题。
• 无监督域自适应：无需目标域标注，通过中间域对齐实现无监督迁移。
• 图像检索：提升跨域检索的准确率，直接改善行人图像的匹配效果。
• 视频监控：部署到监控摄像头网络时，模型可快速适应新场景，减少重新训练成本。