基于特征亲和力的伪标注用于半监督行人重识别

行人重识别旨在跨多个摄像头流匹配行人身份。深度神经网络已成功应用于这一具有挑战性的行人重识别任务。一个显著的瓶颈是现有深度模型数据需求量大，需要大量带标签的训练数据。在大规模监控摄像头部署中人工标注行人身份匹配是一项极为繁琐的任务。在此，我们提出首个半监督方法，通过考虑特征空间中无标签与有标签训练样本间的复杂关系来进行伪标注。我们的方法首先通过对抗训练学习生成模型来逼近真实数据流形。给定训练好的模型，可通过生成新的无标签合成数据样本来进行数据增强。如何有效利用这些额外数据以改进特征学习是一个开放的研究问题。为此，本工作提出了一种新颖的基于特征亲和力的伪标注（FAPL）方法，在统一设置下具有两种可能的标签编码。我们的方法利用深度网络的中间特征表示来度量无标签样本与有标签数据样本底层簇的亲和力。FAPL以交叉熵损失与中心正则化项联合监督进行训练，不仅确保判别性特征表示学习，同时预测无标签数据的伪标签。我们在两个标准大规模数据集Market-1501和DukeMTMC-reID上的大量实验表明，相较于紧密相关的竞争对手有显著性能提升，且在多数情况下优于最先进的行人重识别技术。