即插即用伪标签校正网络用于无监督行人重识别
计算机视觉与模式识别
2022-06-15 v1
摘要
基于聚类的方法在生成伪标签和优化特征提取网络之间交替，在无监督学习（USL）和无监督域自适应（UDA）行人重识别（Re-ID）中占主导地位。为缓解噪声伪标签的不良影响，现有方法要么丢弃不可靠标签，要么通过互学习或标签传播来精炼伪标签。然而，由于这些方法大多采用依赖数据分布特定假设且无法捕捉复杂真实世界数据分布的传统无监督聚类算法，大量错误标签仍被累积。在本文中，我们提出即插即用的基于图的伪标签校正网络（GLC），以监督聚类的方式精炼伪标签。GLC 在任何聚类方法生成的初始伪标签监督下，被训练来感知自训练每个周期中变化的数据分布。它能通过 k 近邻（kNN）图上样本间的关系约束和早停训练策略来学习纠正初始噪声标签。具体而言，GLC 学习从邻居聚合节点特征，并预测图上节点是否应被连接。此外，GLC 在噪声标签被严重记忆之前以“早停”进行优化，以防止对噪声伪标签过拟合。因此，尽管监督信号包含一些噪声，GLC 仍提高了伪标签质量，从而带来更好的 Re-ID 性能。在 Market-1501 和 MSMT17 上的 USL 和 UDA 行人 Re-ID 大量实验表明，我们的方法可与各种基于聚类的方法广泛兼容，并一致提升了最先进性能。
引用
@article{arxiv.2206.06607,
title = {Plug-and-Play Pseudo Label Correction Network for Unsupervised Person Re-identification},
author = {Tianyi Yan and Kuan Zhu and Haiyun guo and Guibo Zhu and Ming Tang and Jinqiao Wang},
journal= {arXiv preprint arXiv:2206.06607},
year = {2022}
}
备注
19 pages,9 figures