面向行人搜索的上下文感知无监督聚类
计算机视觉与模式识别
2021-10-05 v1 人工智能
机器学习
摘要
现有的行人搜索方法利用行人身份的标注标签以有监督方式训练深度网络，这需要大量的人力和时间进行人工标注。本文首次提出一种新颖的行人搜索框架，能够在缺少行人身份标签的情况下训练网络，并提出了高效的无监督聚类方法以替代使用标注行人身份标签的监督过程。具体而言，我们基于唯一性属性提出了难负样本挖掘方案，即每幅图像中与给定查询行人具有相同身份的行人仅有一个。我们还利用共现的上下文信息提出了难正样本挖掘方案，即一幅图像中相邻的行人往往会在其他图像中同时出现。实验结果表明，所提方法的性能可与最先进的（state-of-the-art, SOTA）有监督行人搜索方法相媲美，并且在基准行人搜索数据集上优于扩展的无监督行人重识别方法。
引用
@article{arxiv.2110.01341,
title = {Context-Aware Unsupervised Clustering for Person Search},
author = {Byeong-Ju Han and Kuhyeun Ko and Jae-Young Sim},
journal= {arXiv preprint arXiv:2110.01341},
year = {2021}
}