基于硬批次三元组损失的分层聚类行人重识别方法
计算机视觉与模式识别
2020-04-23 v2
摘要
对于大多数无监督行人重识别(re-ID)，人们常采用无监督域适应(UDA)方法。UDA通常在有标签的源数据集上训练并在目标数据集上评估，其往往侧重于学习源数据集与目标数据集之间的差异以提升模型的泛化能力。基于此，我们探索如何利用样本间的相似性，提出一种仅在无标签目标数据集上训练的全无监督方法。具体而言，我们提出一种分层聚类引导的行人重识别(HCR)方法。我们使用分层聚类生成伪标签，并将这些伪标签作为监督信号进行训练。为排除困难样本并促进模型收敛，我们在每次迭代中使用PK采样，即从每个簇中随机选取固定数量的样本进行训练。我们在Market-1501、DukeMTMC-reID和MSMT17上评估了我们的模型。结果表明，HCR取得了当前最优(state-of-the-arts)性能，在Market-1501上达到55.3% mAP，在DukeMTMC-reID上达到46.8% mAP。我们的代码将很快发布。
引用
@article{arxiv.1910.12278,
title = {Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification},
author = {Kaiwei Zeng},
journal= {arXiv preprint arXiv:1910.12278},
year = {2020}
}
备注
Accepted by CVPR2020