面向行人重识别的无监督聚类主动学习
计算机视觉与模式识别
2021-12-28 v1 人工智能
摘要
有监督行人重识别 (re-id) 方法需要大量成对人工标注数据，这在多数真实场景的 re-id 部署中并不现实。另一方面，无监督 re-id 方法依赖未标注数据训练模型，但性能逊于有监督方法。本文旨在将无监督 re-id 学习与少量人工标注结合以取得有竞争力性能。为此，我们提出一种无监督聚类主动学习 (UCAL) re-id 深度学习方法。它能够增量式发现代表性质心对，并请求人工对其进行标注。这些少量标注的代表性成对数据可与其他大量未标注数据一同改进无监督表示学习模型。更重要的是，由于所选标注为代表性质心对，UCAL 可在极低人工成本下工作。大量实验证明了所提模型在三个 re-id 基准数据集上优于 SOTA 主动学习方法。
引用
@article{arxiv.2112.13308,
title = {Unsupervised Clustering Active Learning for Person Re-identification},
author = {Wenjing Gao and Minxian Li},
journal= {arXiv preprint arXiv:2112.13308},
year = {2021}
}
备注
This work was submitted to BMVC2021