用于弱监督人员重识别的对比多实例学习
计算机视觉与模式识别
2024-02-13 v1 机器学习
摘要
获取大规模、精确标注的人员重识别（ReID）数据集构成了重大挑战。弱监督 ReID 已开始解决这一问题，但其性能仍落后于全监督方法。为此，我们提出了对比多实例学习（CMIL），这是一种专为更有效的弱监督 ReID 设计的新颖框架。CMIL 的独特之处在于仅需单个模型且无需伪标签，同时利用对比损失——这一技术显著提升了传统 ReID 性能，但在先前所有基于多实例学习（MIL）的方法中尚未应用。通过在三个数据集上进行广泛的实验和分析，CMIL 不仅在假设更少的情况下在大规模 SYSU-30k 数据集上达到了最先进性能，而且在 WL-market1501 和弱标注 MUddy racer re-iDentification 数据集（WL-MUDD）上始终优于所有基线。我们引入并发布了 WL-MUDD 数据集，这是 MUDD 数据集的扩展版，包含来自 PerformancePhoto.co 实际应用中自然产生的弱标签。我们所有的代码和数据均可在 https://drive.google.com/file/d/1rjMbWB6m-apHF3Wg_cfqc8QqKgQ21AsT/view?usp=drive_link 获取。
引用
@article{arxiv.2402.07685,
title = {Contrastive Multiple Instance Learning for Weakly Supervised Person ReID},
author = {Jacob Tyo and Zachary C. Lipton},
journal= {arXiv preprint arXiv:2402.07685},
year = {2024}
}