基于时间连续性的无监督行人重识别学习
计算机视觉与模式识别
2020-09-02 v1
摘要
行人重识别（re-id）旨在跨多个摄像头所拍摄图像中匹配同一行人。现有多数行人重识别方法通常需要大量身份标注数据作为表征学习的判别性准则。人工收集身份标注数据的困难导致在实际场景中适应性差。为克服该问题，我们提出一种无监督的基于中心的聚类方法，能够逐步学习并利用相机内时间连续性中潜在的重识别判别信息。我们称该框架为基于时间连续性的无监督学习（TCUL）。具体而言，TCUL 同时对无标注（目标）数据集进行基于中心的聚类，并微调在无关有标注（源）数据集上预训练的卷积神经网络（CNN），以增强 CNN 对目标数据集的判别能力。此外，它利用相机内图像的时间连续特性，联合跨相机特征图的空间相似性，生成可靠的伪标签用于训练重识别模型。随着训练推进，可靠样本数量自适应增长，进而提升 CNN 的表征能力。在三个大规模行人重识别基准数据集上的大量实验将我们的框架与最先进（SOTA）技术进行比较，证明了 TCUL 相对于现有方法的优越性。
引用
@article{arxiv.2009.00242,
title = {Temporal Continuity Based Unsupervised Learning for Person Re-Identification},
author = {Usman Ali and Bayram Bayramli and Hongtao Lu},
journal= {arXiv preprint arXiv:2009.00242},
year = {2020}
}