用于无监督行人重识别的聚类引导非对称对比学习
计算机视觉与模式识别
2022-06-08 v2
摘要
无监督行人重识别（Re-ID）旨在无监督设定下匹配来自不同摄像机视角的行人图像。现有的无监督行人Re-ID方法通常构建于聚类得到的伪标签之上。然而，聚类的质量严重依赖于所学特征的质量，而在无监督设定下这些特征极大地被图像中的颜色所主导。本文中，我们提出一种聚类引导非对称对比学习（CACL）方法用于无监督行人Re-ID，其中聚类结构被用于引导在恰当设计的非对称对比学习框架中的特征学习。具体而言，我们提出一种新颖的簇级对比损失，以帮助连体网络分别在簇结构内部及不同数据增强视图之间有效地挖掘特征学习中的不变性。在三个基准数据集上的大量实验证明了我们方法的优越性能。
引用
@article{arxiv.2106.07846,
title = {Cluster-guided Asymmetric Contrastive Learning for Unsupervised Person Re-Identification},
author = {Mingkun Li and Chun-Guang Li and Jun Guo},
journal= {arXiv preprint arXiv:2106.07846},
year = {2022}
}