Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification

基于聚类的方法在处理无监督领域自适应行人重识别（ReID）任务中已被证明是有效的。然而，现有的相关研究仍然面临着噪声伪标签和整个训练过程中不可靠的表征能力的问题。为了解决这些问题，本文提出了一种新的方法，通过限制噪声伪标签来学习具有更好泛化能力的特征表示。首先，我们提出了一种样本丢弃（SD）方法，以防止模型训练陷入由频繁被分配噪声伪标签的样本引起的恶性循环。我们的方法可以纠正噪声标签并增强表征能力。此外，我们在经典的互教架构下提出了一种新方法，称为特征多样性学习（FDL），该方法可以显著提高无监督情况下特征表示在目标领域的泛化能力。实验结果表明，我们提出的FDL-SD在多个知名基准数据集上达到了最先进的性能