面向无监督行人重识别的域相机自适应与协作式多特征聚类

近年来，由于可用标注数据有限的开放世界场景设置，无监督行人重识别（re-ID）引起了广泛关注。现有的有监督方法往往难以在未见域上良好泛化，而无监督方法大多缺乏多粒度信息，且容易受到确认偏差的影响。本文旨在从两个方面在未见目标域上寻找更好的特征表示：1）在已标注源域上执行无监督域自适应；2）在未被标注的目标域上挖掘潜在相似性。此外，提出了一种协作式伪重标注策略以缓解确认偏差的影响。首先，利用生成对抗网络将图像从源域迁移到目标域。此外，引入行人身份保持与身份映射损失以提升生成图像的质量。其次，我们提出一种新颖的协作式多特征聚类框架（CMFC）来学习目标域的内部数据结构，包括全局特征分支与局部特征分支。全局特征分支（GB）对行人图像的全局特征进行无监督聚类，而局部特征分支（PB）挖掘不同身体区域内部的相似性。最后，在两个基准数据集上的大量实验表明，我们的方法在无监督行人重识别设置下具有具有竞争力的性能。