面向可泛化行人重识别的寻身份自监督表示学习
计算机视觉与模式识别
2023-08-21 v1
摘要
本文旨在从大规模视频中\textbf{无任何标注}地学习域可泛化（DG）行人重识别（ReID）表示。先前的 DG ReID 方法因标注成本高而使用有限的标注数据训练，这限制了进一步进展。为克服数据与标注的障碍，我们提出利用大规模无监督数据进行训练。关键在于如何挖掘身份信息。为此，我们提出一种寻身份自监督表示学习（ISR）方法。ISR 通过将实例关联建模为最大权二分匹配问题，从帧间图像构建正样本对。进一步提出可靠性引导对比损失以抑制噪声正样本对的不利影响，确保可靠正样本对主导学习过程。ISR 的训练成本随数据规模近似线性增长，使其利用大规模数据训练可行。所学表示展现出优越的泛化能力。\textbf{在无人工标注与微调下，ISR 在 Market-1501 上取得 87.0\% Rank-1，在 MSMT17 上取得 56.4\% Rank-1}，分别优于最佳有监督域可泛化方法 5.0\% 和 19.5\%。在预训练微调场景下，ISR 取得最先进性能，在 MSMT17 上达到 88.4\% Rank-1。代码见 \url{https://github.com/dcp15/ISR_ICCV2023_Oral}。
引用
@article{arxiv.2308.08887,
title = {Identity-Seeking Self-Supervised Representation Learning for Generalizable Person Re-identification},
author = {Zhaopeng Dou and Zhongdao Wang and Yali Li and Shengjin Wang},
journal= {arXiv preprint arXiv:2308.08887},
year = {2023}
}
备注
ICCV 2023 Oral