SimMC：用于无监督行人重识别的骨架表示简单掩码对比学习
计算机视觉与模式识别
2022-06-22 v4 人工智能
摘要
基于骨架的行人重识别（re-ID）近期进展通过手工骨架描述子或深度学习范式的骨架表示学习取得了令人印象深刻的性能。然而，它们通常需要骨架预处理建模和标签信息用于训练，导致这些方法的适用性受限。本文关注无监督基于骨架的行人重识别，并提出一个通用的简单掩码对比学习（SimMC）框架，从未标记的3D骨架中学习有效的表示以用于行人重识别。具体而言，为充分挖掘每个骨架序列内的骨架特征，我们首先设计了一种掩码原型对比学习（MPC）方案，从原始序列随机掩码出的不同子序列中聚类出最典型的骨架特征（骨架原型），并对比骨架特征与不同原型之间的内在相似性，从而无需任何标签地学习判别性骨架表示。接着，考虑到同一序列内不同子序列由于运动连续性本质通常具有强相关性，我们提出掩码序列内对比学习（MIC）来捕捉子序列间的序列内模式一致性，以鼓励学习更有效的骨架表示用于行人重识别。大量实验验证了所提SimMC优于大多数最先进的基于骨架的方法。我们进一步展示了其在增强现有模型性能方面的可扩展性与效率。我们的代码可在https://github.com/Kali-Hac/SimMC获取。
引用
@article{arxiv.2204.09826,
title = {SimMC: Simple Masked Contrastive Learning of Skeleton Representations for Unsupervised Person Re-Identification},
author = {Haocong Rao and Chunyan Miao},
journal= {arXiv preprint arXiv:2204.09826},
year = {2022}
}
备注
Accepted at IJCAI 2022 Main Track. The Appendix A for Proof (4 pages) and Appendix B for Experiments (9 pages) are included in the version [v3] at arXiv:2204.09826