典型文献
基于多对多生成对抗网络的非对称跨域迁移行人再识别
文献摘要：
无监督跨域迁移学习是行人再识别中一个非常重要的任务.给定一个有标注的源域和一个没有标注的目标域,无监督跨域迁移的关键点在于尽可能地把源域的知识迁移到目标域.然而,目前的跨域迁移方法忽略了域内各视角分布的差异性,导致迁移效果不好.针对这个缺陷,本文提出了一个基于多视角的非对称跨域迁移学习的新问题.为了实现这种非对称跨域迁移,提出了一种基于多对多生成对抗网络(Many-to-many generative adversarial network,M2M-GAN)的迁移方法.该方法嵌入了指定的源域视角标记和目标域视角标记作为引导信息,并增加了视角分类器用于鉴别不同的视角分布,从而使模型能自动针对不同的源域视角和目标域视角组合采取不同的迁移方式.在行人再识别基准数据集Market1501、Duke-MTMC-reID和MSMT17上,实验验证了本文的方法能有效提升迁移效果,达到更高的无监督跨域行人再识别准确率.
文献关键词：
行人再识别;多对多跨域迁移;非监督迁移学习;生成对抗网络
中图分类号：
作者姓名：
梁文琦;王广聪;赖剑煌
作者机构：
中山大学计算机学院 广州510006;广州新华学院 广州510520;广东省信息安全技术重点实验室 广州510006;机器智能与先进计算教育部重点实验室 广州510006
文献出处：
引用格式：
[1]梁文琦;王广聪;赖剑煌-.基于多对多生成对抗网络的非对称跨域迁移行人再识别)[J].自动化学报,2022(01):103-120
A类：
无监督跨域,MTMC,多对多跨域迁移,非监督迁移学习
B类：
多生,生成对抗网络,移行,行人再识别,源域,目标域,知识迁移,角分布,迁移效果,多视角,Many,many,generative,adversarial,network,M2M,GAN,记作,分类器,器用,合采,识别基准,基准数据集,Market1501,Duke,reID,MSMT17,升迁,识别准确率
AB值：
0.294409
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
