自相似驱动尺度不变学习用于弱监督行人搜索

弱监督行人搜索旨在仅利用边界框标注联合检测与匹配行人。现有方法通常侧重于通过探索行人关系来改进特征。然而，尺度变化问题是更严重且研究不足的障碍：一个行人常拥有不同尺度（分辨率）的图像。一方面，小尺度图像包含较少的行人信息，从而影响所生成伪标签的准确性。另一方面，同一行人的跨尺度图像相似度往往小于同尺度图像间的相似度，这将增加匹配难度。本文中，我们提出一种名为自相似驱动尺度不变学习（SSL）的新型一步框架来解决该问题。尺度不变性可基于自相似先验来探索，即图像在不同尺度下呈现相同统计特性。为此，我们引入多尺度样本分支，通过困难样本挖掘引导网络聚焦于前景并学习尺度不变特征。为以无监督方式增强特征的判别力，我们引入动态多标签预测，逐步为训练寻找真实标签。它可适应不同类型的无标签数据，并作为基于聚类策略的补充。在 PRW 与 CUHK-SYSU 数据库上的实验证明了我们方法的有效性。