基于分块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
2022-03-29 v1
摘要
无监督行人重识别(re-ID)旨在从未标注数据中学习用于行人检索的判别性表示。近期技术通过伪标签完成该任务,但这些标签固有地含有噪声并降低准确率。为克服此问题,已有若干伪标签精炼方法被提出,但它们忽略了对于行人重识别至关重要的细粒度局部上下文。本文提出一种新颖的基于分块的伪标签精炼(PPLR)框架,通过利用全局特征与分块特征之间的互补关系来减少标签噪声。具体而言,我们设计了一种交叉一致分数作为特征空间间 k 近邻的相似度,以利用可靠的互补关系。基于该交叉一致性,我们通过集成分块特征的预测来精炼全局特征的伪标签,从而共同缓解全局特征聚类中的噪声。我们进一步根据给定标签对各分块的适用性应用标签平滑,以精炼分块特征的伪标签。得益于交叉一致分数提供的可靠互补信息,我们的 PPLR 有效降低了噪声标签的影响,并学习到具有丰富局部上下文的判别性表示。在 Market-1501 和 MSMT17 上的大量实验结果证明了所提方法相对于最先进性能的有效性。代码见 https://github.com/yoonkicho/PPLR。
引用
@article{arxiv.2203.14675,
title = {Part-based Pseudo Label Refinement for Unsupervised Person Re-identification},
author = {Yoonki Cho and Woo Jae Kim and Seunghoon Hong and Sung-Eui Yoon},
journal= {arXiv preprint arXiv:2203.14675},
year = {2022}
}
备注
CVPR 2022