基于伪对的自相似学习用于无监督行人重识别
计算机视觉与模式识别
2022-07-28 v1
摘要
行人重识别（re-ID）通过估计跨摄像头行人图像对之间的相似性，对视频监控系统至关重要。当前估计该相似性的方法需要大量标注样本进行监督训练。本文提出一种基于伪对的自相似学习方法，用于无人工标注的无监督行人重识别。不同于基于全局聚类的传统无监督re-ID方法使用伪标签，我们构建块代理类作为初始监督，并提出通过成对梯度引导的相似性分离为图像分配伪标签。这可将图像聚为伪对，且伪标签可在训练中更新。基于伪对，我们提出通过一种新颖的自相似学习提升相似性函数的泛化能力：它通过类内相似性从单张图像学习局部判别特征，并通过类间相似性发现跨图像块对应。类内相似性学习基于通道注意力检测图像中多样的局部特征。类间相似性学习采用带非局部块的可变形卷积对齐块以用于跨图像相似性。在多个re-ID基准数据集上的实验结果证明了所提方法相对于当前最优方法的优越性。
引用
@article{arxiv.2207.13035,
title = {Pseudo-Pair based Self-Similarity Learning for Unsupervised Person Re-identification},
author = {Lin Wu and Deyin Liu and Wenying Zhang and Dapeng Chen and Zongyuan Ge and Farid Boussaid and Mohammed Bennamoun and Jialie Shen},
journal= {arXiv preprint arXiv:2207.13035},
year = {2022}
}
备注
Under review