用于无监督行人重识别的难样本引导混合对比学习
计算机视觉与模式识别
2022-05-12 v2
摘要
无监督行人重识别（Re-ID）是计算机视觉中一个具有前景且极具挑战的研究问题。利用无标签数据学习鲁棒且具判别性的特征对Re-ID至关重要。近来，基于聚类伪标签的无监督Re-ID算法受到更多关注。然而，先前的方法未能充分利用难样本的信息，仅简单地使用聚类质心或所有实例进行对比学习。本文中，我们提出一种难样本引导混合对比学习（HHCL）方法，将聚类级损失与实例级损失相结合用于无监督行人Re-ID。我们的方法采用聚类质心对比损失以确保网络以更稳定的方式更新。同时，引入难实例对比损失进一步挖掘判别信息。在两个流行的大规模Re-ID基准上的大量实验表明，我们的HHCL优于先前的最先进方法，并显著提升了无监督行人Re-ID的性能。我们的工作代码即将发布于 https://github.com/bupt-ai-cz/HHCL-ReID。
引用
@article{arxiv.2109.12333,
title = {Hard-sample Guided Hybrid Contrast Learning for Unsupervised Person Re-Identification},
author = {Zheng Hu and Chuang Zhu and Gang He},
journal= {arXiv preprint arXiv:2109.12333},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2103.11568, arXiv:2107.03024 by other authors