CycAs：用于学习可重识别描述的自监督循环关联方法
计算机视觉与模式识别
2020-07-16 v1 机器学习
摘要
本文提出一种针对行人重识别 (re-ID) 问题的自监督学习方法，现有无监督方法通常依赖伪标签，例如来自视频轨迹或聚类的伪标签。使用伪标签的一个潜在缺陷是错误可能累积，且难以估计伪 ID 的数量。我们引入一种不同的无监督方法，使我们能够从原始视频中学习行人嵌入，而无需借助伪标签。目标是构建一个与行人重识别目标相匹配的自监督 pretext 任务。受多目标跟踪中数据关联 (data association) 概念的启发，我们提出循环关联 (CycAs) 任务：在一对视频帧之间先后执行前向与后向数据关联后，一个行人实例应当被关联到其自身。为实现该目标，模型必须学习一个有意义的表示，能够很好地描述帧对间实例的对应关系。我们将离散关联过程调整为可微分形式，从而使端到端训练成为可能。实验从两方面展开：我们首先在七个基准上将我们的方法与现有无监督 re-ID 方法比较，展示了 CycAs 的优越性。随后，为进一步验证 CycAs 在真实应用中的实用价值，我们在自行采集的视频上进行训练，并在标准测试集上报告了有前景的性能。
引用
@article{arxiv.2007.07577,
title = {CycAs: Self-supervised Cycle Association for Learning Re-identifiable Descriptions},
author = {Zhongdao Wang and Jingwei Zhang and Liang Zheng and Yixuan Liu and Yifan Sun and Yali Li and Shengjin Wang},
journal= {arXiv preprint arXiv:2007.07577},
year = {2020}
}
备注
Accepted to ECCV 2020