邻域一致性引导的伪标签精炼用于无监督行人重识别
计算机视觉与模式识别
2022-12-01 v1
摘要
无监督行人重识别(ReID)旨在无任何标注的情况下学习用于行人检索的判别性身份特征。近期进展通过利用基于聚类的伪标签完成该任务，但这些伪标签不可避免地含有噪声，从而损害模型性能。本文提出一种邻域一致性引导的伪标签精炼(NCPLR)框架，其可视为标签传播的一种直推式形式，假设每个样本的预测应与其最近邻的预测相似。具体而言，每个训练样本的精炼标签可由原始聚类结果及其邻域预测的加权集成获得，权重依据其在特征空间中的相似度确定。此外，我们将基于聚类的无监督行人ReID视为标签噪声学习问题。进而提出一种显式邻域一致性正则化，以降低模型过拟合的敏感性并提升训练稳定性。NCPLR方法简单而有效，可无缝集成到现有基于聚类的无监督算法中。在五个ReID数据集上的大量实验结果证明了所提方法的有效性，并以较大优势展现出优于最先进方法的性能。
引用
@article{arxiv.2211.16847,
title = {Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification},
author = {De Cheng and Haichun Tai and Nannan Wang and Zhen Wang and Xinbo Gao},
journal= {arXiv preprint arXiv:2211.16847},
year = {2022}
}
备注
8pages, 3figures