3C: 置信引导聚类与对比学习用于无监督行人重识别
计算机视觉与模式识别
2024-08-20 v1
摘要
无监督行人重识别旨在在无标注数据集上学习具备跨相机检索能力的特征网络。尽管基于伪标签的方法在行人重识别中已取得显著进展，但其在复杂场景下的性能仍需提升。为减少学习过程中累积的潜在误导，包括特征偏差、噪声伪标签和无效难样本，本文提出了一种置信引导聚类与对比学习（3C）框架。该3C框架呈现三种置信度。i) 在聚类阶段，提出样本与聚类之间差异的置信度，以实现调和差异聚类算法（HDC）。ii) 在前向传播训练阶段，通过一种新颖的相机信息熵（CIE）评估聚类的相机多样性。然后，CIE值高的聚类在训练模型时起主导作用。iii) 在反向传播训练阶段，设计每个聚类中难样本的置信度，并将其进一步用于置信度整合调和差异（CHD），以选择信息量丰富的样本来更新对比学习中的记忆。在三个流行的行人重识别基准上的广泛实验验证了所提框架的优越性。特别地，3C框架取得了最先进结果：在Market-1501上mAP/Rank-1准确率为86.7%/94.7%，在复杂数据集MSMT17上为45.3%/73.1%，在VeRi-776上为47.1%/90.6%。代码可在 https://github.com/stone5265/3C-reid 获取。
引用
@article{arxiv.2408.09464,
title = {3C: Confidence-Guided Clustering and Contrastive Learning for Unsupervised Person Re-Identification},
author = {Mingxiao Zheng and Yanpeng Qu and Changjing Shang and Longzhi Yang and Qiang Shen},
journal= {arXiv preprint arXiv:2408.09464},
year = {2024}
}