双重精炼：面向无监督域自适应行人重识别的联合标签与特征精炼

无监督域自适应（UDA）行人重识别（re-ID）是一项具有挑战性的任务，因为目标域数据缺乏标签。为处理该问题，近期一些工作采用聚类算法离线生成伪标签，进而将其作为目标域中在线特征学习的监督信号。然而，离线生成的标签常含大量噪声，显著阻碍在线学习特征的判别性，从而限制最终 UDA re-ID 性能。为此，我们提出一种称为双重精炼（Dual-Refinement）的新方法，在离线聚类阶段联合精炼伪标签、在在线训练阶段精炼特征，以交替提升目标域中的标签纯度与特征判别性，从而实现更可靠的 re-ID。具体而言，在离线阶段，提出一种新的层次聚类方案，为每个粗簇选取代表性原型，从而可利用行人图像固有的层次信息有效精炼标签。此外，在在线阶段，我们提出即时记忆散开（IM-spread-out）正则化，利用所提出的即时记忆库存储整个数据集的样本特征，并实现对全部训练数据的即时散开特征学习。我们的双重精炼方法在交替训练过程中降低了噪声标签的影响并精炼了所学特征。实验表明，我们的方法大幅优于当前最优（SOTA）方法。