元聚类学习用于大规模无监督行人重识别
计算机视觉与模式识别
2022-08-09 v4
摘要
基于伪标签的无监督行人重识别（U-ReID）借助现代聚类算法，近期取得了与全监督 ReID 方法相媲美的性能。然而，这种基于聚类的方案在大规模数据集上计算开销难以承受。如何以有限计算资源高效利用无穷无标注数据以提升 U-ReID 尚待探索。本文首次尝试大规模 U-ReID，并提出一种称为元聚类学习（MCL）的“小数据解决大任务”范式。MCL 仅对全部无标注数据的子集进行聚类伪标签，以节省第一阶段训练的计算量。此后，学到的聚类中心（在我们的 MCL 中称为元原型）被视为代理标注器，对剩余无标注数据进行软标注以进一步打磨模型。为缓解打磨阶段潜在的噪声标注问题，我们施加两个精心设计的损失约束以保证类内一致性与类间强相关性。在多个广泛使用的 U-ReID 基准上，我们的方法显著节省计算成本，同时取得与先前工作相当甚至更优的性能。
引用
@article{arxiv.2111.10032,
title = {Meta Clustering Learning for Large-scale Unsupervised Person Re-identification},
author = {Xin Jin and Tianyu He and Xu Shen and Tongliang Liu and Xinchao Wang and Jianqiang Huang and Zhibo Chen and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:2111.10032},
year = {2022}
}
备注
Accepted by ACMMM2022