基于双聚类协同教学与一致样本挖掘的无监督行人重识别方法
计算机视觉与模式识别
2022-10-10 v1
摘要
在无监督行人重识别（Re-ID）中，利用两个网络相互促进训练的协同教学策略已被证明是处理伪标签噪声的有效方法。然而，使用一组含噪伪标签训练两个网络会降低两网络的互补性并导致标签噪声累积。为解决该问题，本文提出一种新颖的双聚类协同教学（DCCT）方法。DCCT 主要利用两网络提取的特征，通过不同参数聚类分别生成两组伪标签。每个网络以其对等网络生成的伪标签进行训练，从而增强两网络互补性以减轻噪声影响。此外，我们提出动态参数双聚类（DCDP），使网络对动态变化的聚类参数具有自适应性与鲁棒性。同时，提出一致样本挖掘（CSM）以找出训练中伪标签未变的样本，用于潜在噪声样本剔除。大量实验证明了所提方法的有效性，其以可观优势超越最先进的无监督行人 Re-ID 方法，并超越多数利用相机信息的方法。
引用
@article{arxiv.2210.03339,
title = {Dual Clustering Co-teaching with Consistent Sample Mining for Unsupervised Person Re-Identification},
author = {Zeqi Chen and Zhichao Cui and Chi Zhang and Jiahuan Zhou and Yuehu Liu},
journal= {arXiv preprint arXiv:2210.03339},
year = {2022}
}