面向无监督行人重识别的相机感知标签精炼

无监督行人重识别旨在无需身份标签的情况下检索特定行人的图像。近期许多无监督 Re-ID 方法采用基于聚类的方法来度量跨相机特征相似度，以将图像粗略划分为簇。它们忽略了由相机域差异引起的特征分布不一致，导致不可避免的性能下降。相机信息通常是可获得的，且单一相机内的特征分布通常更关注个体的外观，具有较小的身份内方差。受此观察启发，我们引入了一个相机感知标签精炼（CALR）框架，通过聚类相机内相似度来减少相机差异。具体而言，我们采用相机内训练在每个相机内获得可靠的局部伪标签，然后精炼由跨相机聚类生成的全局标签，并以自步调的方式使用更可靠的全局伪标签训练判别模型。同时，我们开发了一个相机对齐模块来对齐不同相机下的特征分布，这有助于进一步处理相机差异。大量实验验证了我们所提方法相较于最先进方法的优越性。代码可在 https://github.com/leeBooMla/CALR 获取。