用于无监督行人重识别的空间级联聚类与加权记忆
计算机视觉与模式识别
2024-03-04 v1
摘要
最近的无监督行人重识别（re-ID）方法通过利用细粒度局部上下文实现了高性能，这些方法被称为基于部件的方法。然而，大多数基于部件的方法通过水平分割获取局部上下文，这会因人体姿态各异而导致错位。此外，部件特征中语义信息的错位限制了度量学习的使用，从而影响了基于部件方法的有效性。上述两个问题导致基于部件的方法未能充分利用部件特征。我们引入了空间级联聚类与加权记忆（SCWM）方法以应对这些挑战。SCWM 旨在解析并对齐不同人体部位更准确的局部上下文，同时允许记忆模块平衡难例挖掘与噪声抑制。具体而言，我们首先分析了先前方法中存在的前景遗漏和空间混淆问题；随后，提出了前景校正与空间校正以增强人体解析结果的完整性和合理性；接着，引入了加权记忆并利用两种加权策略。这些策略解决了全局特征的难例挖掘问题，并增强了部件特征的抗噪能力，从而能够更好地利用全局特征和部件特征。在 Market-1501 和 MSMT17 数据集上的大量实验验证了所提方法优于多种最先进（state-of-the-art）方法的有效性。
引用
@article{arxiv.2403.00261,
title = {Spatial Cascaded Clustering and Weighted Memory for Unsupervised Person Re-identification},
author = {Jiahao Hong and Jialong Zuo and Chuchu Han and Ruochen Zheng and Ming Tian and Changxin Gao and Nong Sang},
journal= {arXiv preprint arXiv:2403.00261},
year = {2024}
}