ICE：用于无监督行人重识别的实例间对比编码
计算机视觉与模式识别
2021-08-19 v2
摘要
无监督行人重识别 (ReID) 旨在无需标注地学习判别性身份特征。近来，自监督对比学习因其在无监督表示学习中的有效性而受到越来越多的关注。实例对比学习的主要思想是在不同增强视图中匹配同一实例。然而，不同实例之间的关系在以往的对比方法中尚未被充分探索，尤其是实例级对比损失。为解决这个问题，我们提出 Inter-instance Contrastive Encoding (ICE)，利用实例间两两相似度分数来增强以往的类别级对比 ReID 方法。我们首先使用两两相似度排序作为单热硬伪标签进行硬实例对比，旨在减小类内方差。然后，我们使用相似度分数作为软伪标签来增强增强视图与原始视图之间的一致性，使我们的模型对增强扰动更鲁棒。在多个大规模行人 ReID 数据集上的实验验证了我们提出的无监督方法 ICE 的有效性，其甚至可与有监督方法竞争。代码发布于 https://github.com/chenhao2345/ICE。
引用
@article{arxiv.2103.16364,
title = {ICE: Inter-instance Contrastive Encoding for Unsupervised Person Re-identification},
author = {Hao Chen and Benoit Lagadec and Francois Bremond},
journal= {arXiv preprint arXiv:2103.16364},
year = {2021}
}
备注
ICCV 2021