用于物体重识别的双聚类对比学习
计算机视觉与模式识别
2025-12-12 v4
摘要
近来，聚类对比学习通过计算个体特征与聚类记忆之间的对比损失，已被证明对物体重识别 (ReID) 有效。然而，现有使用个体特征来动量更新聚类记忆的方法会在训练样本间产生波动，尤其对于离群样本。与基于个体的更新机制不同，基于质心的更新机制应用每个聚类的均值特征来更新聚类记忆，可以减少个体样本的影响。因此，我们在一个统一的聚类对比框架中形式化了基于个体的更新和基于质心的更新机制，称为双聚类对比框架 (DCC)，它维护两种类型的记忆库：个体聚类记忆库和质心聚类记忆库。值得注意的是，个体聚类记忆每次仅考虑一个个体来进行单步更新。质心聚类记忆则应用每个聚类的均值特征来更新相应的聚类记忆。在优化过程中，除了每种记忆的常规对比损失外，还应用了一个跨视图一致性约束，以交换两种记忆的优势，从而为物体重识别生成具有判别力的描述。需要注意的是，通过使用真实标签或生成的伪标签，DCC 可以轻松应用于无监督或有监督的物体重识别。在 Market-1501、MSMT17 和 VeRi-776 三个基准数据集上，于**有监督物体重识别**和**无监督物体重识别**设置下进行的大量实验，证明了所提出的 DCC 的优越性。
引用
@article{arxiv.2112.04662,
title = {Dual Cluster Contrastive learning for Object Re-Identification},
author = {Hantao Yao and Changsheng Xu},
journal= {arXiv preprint arXiv:2112.04662},
year = {2025}
}
备注
Some errors were found in the method and experimental work that need further correction and improvement