Cross-domain unsupervised Re-ID algorithm based on neighbor adversarial and consistency loss

Abstract

Market-1501 (1501 identities dataset from market) 和 DukeMTMC-reID (multi-target multi-camera person re-identification dataset from Duke University)数据集上的 Rank-1 和平均精度均值(mean average precision， mAP) 指标分别达到了 92. 8%、 84. 1% 和 83. 9%、 71. 1%。结论 提出方法设计了邻域对抗损失与邻域连 续性损失函数， 增强了模型对相似人群的辨识能力， 从而有效提升了行人重识别的性能。 关键词： 行人重识别 (Re-ID) ； 无监督学习； 跨域迁移学习； 邻域对抗损失 (NAL) ； 邻域连续损失 (NCL)