面向无监督行人重识别的隐式样本扩展
计算机视觉与模式识别
2022-04-15 v1
摘要
现有大多数无监督行人重识别(Re-ID)方法使用聚类来生成伪标签以进行模型训练。遗憾的是,聚类有时会将不同的真实身份混合在一起,或将同一身份拆分为两个或多个子簇。在这些含噪簇上训练会严重阻碍Re-ID精度。由于每个身份中的样本有限,我们推测可能缺乏一些潜在信息以很好地揭示准确簇结构。为发掘这些信息,我们提出一种隐式样本扩展(ISE)方法,在簇边界周围生成所谓的支持样本。具体而言,我们通过渐进式线性插值(PLI)策略,在嵌入空间中由真实样本及其邻近簇生成支持样本。PLI通过两个关键因素控制生成过程,即:1)从真实样本指向其K近邻簇的方向;2)混合来自K近邻簇的上下文信息的程度。同时,给定支持样本后,ISE进一步使用保标签损失将其拉向对应的真实样本,从而压缩每个簇。因此,ISE减少了“子簇与混合”聚类错误,进而提升Re-ID性能。大量实验表明所提方法有效,并在无监督行人Re-ID上取得最先进性能。代码见:\url{https://github.com/PaddlePaddle/PaddleClas}。
引用
@article{arxiv.2204.06892,
title = {Implicit Sample Extension for Unsupervised Person Re-Identification},
author = {Xinyu Zhang and Dongdong Li and Zhigang Wang and Jian Wang and Errui Ding and Javen Qinfeng Shi and Zhaoxiang Zhang and Jingdong Wang},
journal= {arXiv preprint arXiv:2204.06892},
year = {2022}
}
备注
CVPR2022