基于聚类集成的混合对比学习用于无监督行人重识别
计算机视觉与模式识别
2022-04-15 v2
摘要
无监督行人重识别(ReID)旨在无监督标签的情况下将行人的查询图像与图库集中的图像进行匹配。解决无监督行人ReID最流行的方法通常是先执行聚类算法生成伪标签,再利用伪标签训练深度神经网络。然而,伪标签存在噪声且对聚类算法中的超参数敏感。本文提出一种用于无监督行人ReID的混合对比学习(HCL)方法,该方法基于实例级与簇级对比损失函数之间的混合。此外,我们提出一种基于多粒度聚类集成的混合对比学习(MGCE-HCL)方法,其采用多粒度聚类集成策略挖掘伪正样本对中的优先信息,并定义一种优先级加权的混合对比损失以更好地容忍伪正样本中的噪声。我们在两个基准数据集Market-1501和DukeMTMC-reID上进行了大量实验。实验结果验证了我们所提方法的有效性。
引用
@article{arxiv.2201.11995,
title = {Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised Person Re-identification},
author = {He Sun and Mingkun Li and Chun-Guang Li},
journal= {arXiv preprint arXiv:2201.11995},
year = {2022}
}
备注
accepted by ACPR2021