用于无监督行人重识别的自适应类内变化对比学习
计算机视觉与模式识别
2024-04-09 v1 人工智能
摘要
基于记忆字典的对比学习方法在无监督行人重识别（Re-ID）领域取得了显著成果。然而，基于所有样本更新记忆的方法并未充分利用最困难样本来提升模型的泛化能力，而基于最困难样本挖掘的方法在模型早期阶段不可避免地会引入错误聚类的假阳性样本。基于聚类的方法通常会丢弃大量异常值，导致有价值信息的丢失。为了解决上述问题，我们提出了一种用于无监督 Re-ID 的自适应类内变化对比学习算法，称为 AdaInCV。该算法通过考虑聚类后的类内变化，定量评估模型对每个类别的学习能力，这有助于在模型训练过程中选择合适的样本。具体而言，提出了两种新策略：自适应样本挖掘（Adaptive Sample Mining, AdaSaM）和自适应异常值过滤器（Adaptive Outlier Filter, AdaOF）。前者逐步创建更可靠的聚类以动态细化记忆，而后者能够识别并过滤出有价值的异常值作为负样本。
引用
@article{arxiv.2404.04665,
title = {Adaptive Intra-Class Variation Contrastive Learning for Unsupervised Person Re-Identification},
author = {Lingzhi Liu and Haiyang Zhang and Chengwei Tang and Tiantian Zhang},
journal= {arXiv preprint arXiv:2404.04665},
year = {2024}
}