面向无监督行人重识别的学习式净化方法
计算机视觉与模式识别
2023-06-28 v2 人工智能
摘要
无监督行人重识别是计算机视觉中一项具有挑战性且前景广阔的 task。如今，无监督行人重识别方法借助伪标签训练已取得巨大进展。然而，如何以无监督方式显式地净化特征和标签噪声则较少被研究。为净化特征，我们考量来自不同局部视图的两类附加特征以丰富特征表示。所提出的多视图特征被精心整合进我们的聚类对比学习中，以利用全局特征容易忽略和偏置的更具判别性的线索。为净化标签噪声，我们提出在离线方案中利用教师模型的知识。具体而言，我们首先从含噪伪标签训练一个教师模型，随后用该教师模型指导我们的学生模型的学习。在我们的设定中，学生模型能在教师模型监督下快速收敛，从而减轻教师模型所严重遭受的噪声标签干扰。在细致处理特征学习中的噪声与偏置后，我们的净化模块被证明对无监督行人重识别非常有效。在三个流行行人重识别数据集上的大量实验证明了本方法的优越性。特别地，在完全无监督设定下，我们的方法在具挑战性的 Market-1501 基准上以 ResNet-50 取得了 85.8% @mAP 和 94.5% @Rank-1 的 SOTA 精度。代码将公开。
引用
@article{arxiv.2204.09931,
title = {Learning to Purification for Unsupervised Person Re-identification},
author = {Long Lan and Xiao Teng and Jing Zhang and Xiang Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2204.09931},
year = {2023}
}