面向无监督可见-红外行人重识别的层次化身份学习
计算机视觉与模式识别
2025-09-16 v1 人工智能
摘要
无监督可见-红外行人重识别（USVI-ReID）旨在通过减少模态差异来从无标签的跨模态行人数据集中学习模态不变的图像特征，同时最小化对昂贵手动标注的依赖。现有方法通常采用基于簇的对比学习来解决 USVI-ReID 问题，这些方法用单个簇中心表示一个行人。然而，这些方法主要关注同一簇内图像的常见性，忽略了其中细粒度差异。为此，我们提出了层次化身份学习（HIL）框架。由于每个簇可能包含反映图像细粒度差异的多个较小子簇，我们通过二次聚类为每个现有粗糙簇生成多个记忆。此外，我们提出了多中心对比学习（MCCL）来细化特征表示，以增强类内聚类并最小化跨模态差异。为进一步提高跨模态匹配质量，我们设计了双向逆选择传输（BRST）机制，通过双向匹配伪标签来建立可靠的跨模态对应关系。在 SYSU-MM01 和 RegDB 数据集上进行的大量实验表明，所提方法优于现有方法。源代码可在 https://github.com/haonanshi0125/HIL 获取。
引用
@article{arxiv.2509.11587,
title = {Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification},
author = {Haonan Shi and Yubin Wang and De Cheng and Lingfeng He and Nannan Wang and Xinbo Gao},
journal= {arXiv preprint arXiv:2509.11587},
year = {2025}
}