基于特征感知噪声对比学习的无监督红熊猫重识别
计算机视觉与模式识别
2024-07-19 v2 人工智能
摘要
为促进个体动物的重识别（re-ID），现有方法主要 focus on 在同一个体内部最大化特征相似性，并增强不同个体之间的区分性。然而，这些方法大多仍依赖监督学习，需大量标记数据，而这在实际中难以获得。为避免此问题，我们提出了特征感知噪声对比学习（FANCL）方法，探索无监督学习解决方案，随后在红熊猫重识别任务上进行验证。FANCL 设计了特征感知噪声添加模块，用于生成隐藏关键特征的噪声图像，并采用两个对比学习模块来计算损失。首先，设计了特征一致性模块以弥合原始特征与噪声特征之间的差距。其次，通过聚类对比学习模块训练神经网络。通过这些更具挑战性的学习任务，FANCL 能够自适应提取红熊猫的更深层表征。在室内外环境收集的红熊猫图像数据集上的实验结果表明，FANCL 优于几个相关的无监督 SOTA 方法，实现了与监督学习方法相当的高性能。
关键词
引用
@article{arxiv.2405.00468,
title = {Feature-Aware Noise Contrastive Learning for Unsupervised Red Panda Re-Identification},
author = {Jincheng Zhang and Qijun Zhao and Tie Liu},
journal= {arXiv preprint arXiv:2405.00468},
year = {2024}
}