面向带噪标签行人重识别的大规模预训练
计算机视觉与模式识别
2022-04-06 v2
摘要
本文旨在解决带噪标签的行人重识别(Re-ID)预训练问题。为构建预训练任务，我们在一个已有的无标签Re-ID数据集“LUPerson”的原始视频上应用简单的在线多目标跟踪系统，并构建其带噪标签变体“LUPerson-NL”。由于这些从轨迹自动导出的ID标签不可避免地含有噪声，我们开发了一个利用带噪标签(PNL)的大规模预训练框架，其包含三个学习模块：有监督Re-ID学习、基于原型的对比学习以及标签引导的对比学习。原则上，这三个模块的联合学习不仅将相似样本聚类至同一原型，还基于原型分配纠正噪声标签。我们证明直接从原始视频中学习是一种有前景的预训练替代方案，其利用空间与时间相关性作为弱监督。这一简单的预训练任务提供了一种可扩展的方式，无需额外技巧即可在“LUPerson-NL”上从零学习最先进的Re-ID表征。例如，在相同的有监督Re-ID方法MGN上，我们的预训练模型在CUHK03、DukeMTMC和MSMT17上分别比无监督预训练对应模型提升了5.7%、2.2%、2.3%的mAP。在小规模或少样本设定下，性能增益更为显著，表明所学表征具有更好的可迁移性。代码见 https://github.com/DengpanFu/LUPerson-NL
引用
@article{arxiv.2203.16533,
title = {Large-Scale Pre-training for Person Re-identification with Noisy Labels},
author = {Dengpan Fu and Dongdong Chen and Hao Yang and Jianmin Bao and Lu Yuan and Lei Zhang and Houqiang Li and Fang Wen and Dong Chen},
journal= {arXiv preprint arXiv:2203.16533},
year = {2022}
}
备注
To Appear at CVPR 2022, code is available at https://github.com/DengpanFu/LUPerson-NL