一种利用数据集中挖掘的辅助信息的高精度无监督行人重识别方法
计算机视觉与模式识别
2022-05-09 v1
摘要
有监督行人重识别方法严重依赖高质量的跨摄像头训练标签，这极大阻碍了重识别模型在真实场景应用中的部署。无监督行人重识别方法可降低数据标注成本，但其性能仍远低于有监督方法。本文充分利用从数据集中挖掘的辅助信息进行多模态特征学习，包括摄像头信息、时间信息与空间信息。通过分析摄像头的风格偏置、行人运动轨迹特征以及摄像头网络的位置，本文设计了三个模块：时间重叠约束（TOC）、时空相似性（STS）和同摄像头惩罚（SCP），以利用这些辅助信息。辅助信息可通过构建关联约束或与视觉特征融合来提升模型性能与推理精度。此外，本文提出了三种有效的训练技巧：受限标签平滑交叉熵损失（RLSCE）、权重自适应三元组损失（WATL）和动态训练迭代（DTI）。这些技巧在 MARS 和 DukeMTMC-VideoReID 上分别取得了 72.4% 和 81.1% 的 mAP。结合辅助信息利用模块，我们的方法在 DukeMTMC 上取得了 89.9% 的 mAP，其中 TOC、STS 和 SCP 均带来了可观的性能提升。本文提出的方法优于大多数现有无监督重识别方法，并缩小了无监督与有监督重识别方法之间的差距。我们的代码见 https://github.com/tenghehan/AuxUSLReID。
引用
@article{arxiv.2205.03124,
title = {A High-Accuracy Unsupervised Person Re-identification Method Using Auxiliary Information Mined from Datasets},
author = {Hehan Teng and Tao He and Yuchen Guo and Guiguang Ding},
journal= {arXiv preprint arXiv:2205.03124},
year = {2022}
}