基于选择性对比学习的全无监督行人重识别
计算机视觉与模式识别
2021-03-05 v2
摘要
行人重识别(ReID)旨在跨不同摄像头所采集的图像搜索同一身份的人。由于无需大量人工标注且展现出适应新场景的巨大潜力,无监督行人重识别近来备受关注。表征学习在无监督行人重识别中起着关键作用。本文提出一种用于无监督特征学习的新型选择性对比学习框架。具体而言,不同于传统对比学习策略,我们提出使用多个正样本与自适应采样的负样本来定义对比损失,从而学习具有更强身份判别表征的特征嵌入模型。此外,我们提出联合利用全局与局部特征构建三个动态字典,其中全局与局部记忆库用于成对相似度计算,混合记忆库用于对比损失定义。实验结果表明,相较于现有最优方法,我们的方法在无监督行人重识别上具有优越性。
引用
@article{arxiv.2010.07608,
title = {Fully Unsupervised Person Re-identification viaSelective Contrastive Learning},
author = {Bo Pang and Deming Zhai and Junjun Jiang and Xianming Liu},
journal= {arXiv preprint arXiv:2010.07608},
year = {2021}
}