学习共性、差异性与多样性以实现无监督可见光 - 红外人员重识别
计算机视觉与模式识别
2024-10-25 v3
摘要
无监督可见光 - 红外人员重识别 (USVI-ReID) 旨在无需标注即可将红外图像中的指定人员与可见光图像进行匹配，反之亦然。USVI-ReID 是一项具有挑战性但尚未被充分探索的任务。大多数现有方法使用基于聚类的对比学习来解决 USVI-ReID 问题，这种方法简单地采用聚类中心作为人员的表示。然而，聚类中心主要关注共性，而忽略了差异性和多样性。为解决这一问题，我们提出了一种用于 USVI-ReID 的具有困难和动态原型的渐进式对比学习方法。简而言之，我们通过选择距离聚类中心最远的样本来生成困难原型。我们从理论上证明，困难原型用于对比损失中以强调差异性。此外，我们没有僵化地将查询图像对齐到特定原型，而是通过在聚类内随机挑选样本来生成动态原型。动态原型用于鼓励多样性。最后，我们引入了一种渐进式学习策略，逐步将模型的注意力转向差异性和多样性，以避免聚类退化。在公开可用的 SYSU-MM01 和 RegDB 数据集上进行的大量实验验证了所提出方法的有效性。
引用
@article{arxiv.2402.19026,
title = {Learning Commonality, Divergence and Variety for Unsupervised Visible-Infrared Person Re-identification},
author = {Jiangming Shi and Xiangbo Yin and Yachao Zhang and Zhizhong Zhang and Yuan Xie and Yanyun Qu},
journal= {arXiv preprint arXiv:2402.19026},
year = {2024}
}
备注
Accepted by NeurIPS2024