用于无监督车辆重识别的三元组对比表示学习
计算机视觉与模式识别
2023-03-17 v2
摘要
部件特征学习对于车辆重识别中的细粒度语义理解至关重要。然而，现有方法直接对部件特征与全局特征建模，由于其特征信息不均衡以及无监督车辆重识别中不可靠的伪标签，容易导致严重的梯度消失问题。为解决该问题，本文提出一种简洁的三元组对比表示学习（TCRL）框架，其利用簇特征来桥接部件特征与全局特征以用于无监督车辆重识别。具体而言，TCRL 设计三个记忆库来存储实例/簇特征，并提出代理对比损失（PCL）以在相邻记忆库间进行对比学习，从而将部件与全局特征间的关联呈现为部件-簇与簇-全局关联的过渡。由于簇记忆库处理所有车辆特征，其可将其概括为具有判别性的特征表示。为深度挖掘实例/簇信息，TCRL 提出两个额外的损失函数。对于实例级特征，混合对比损失（HCL）通过拉近正实例特征并推远所有负实例特征来重定义样本相关性。对于簇级特征，加权正则化簇对比损失（WRCCL）根据实例相似性对误标图像进行惩罚以精炼伪标签。大量实验表明 TCRL 优于许多最先进的无监督车辆重识别方法。
引用
@article{arxiv.2301.09498,
title = {Triplet Contrastive Representation Learning for Unsupervised Vehicle Re-identification},
author = {Fei Shen and Xiaoyu Du and Liyan Zhang and Xiangbo Shu and Jinhui Tang},
journal= {arXiv preprint arXiv:2301.09498},
year = {2023}
}