无监督换装长期人员重识别

我们研究无监督换装人员重识别（Re-ID），这是一个具有更高实际可用性和面向真实部署可扩展性的新挑战性问题。大多数现有重识别方法人为假设每个人的衣物在时空上保持不变。该条件在短期重识别场景中大多成立，因为普通人甚至常在一天内更换衣物。为缓解此假设，近期若干工作将换装因素引入重识别，重点在于有监督学习对衣物变化具有不变性的人员身份判别表示。我们朝长期重识别方向更进一步，消除了人员身份标签的需求，因为与短期人员重识别数据集相比，这些标签标注成本显著更高且更为繁琐。与传统无监督短期重识别相比，这一新问题极具挑战性，因为不同人可能穿着相似衣物，而同一人在不同地点和时间可穿着多套外观差异很大的衣物。为克服此类障碍，我们提出一种新颖的课程式人员聚类（CPC）方法，能够根据聚类置信度自适应调节无监督聚类准则。在三个长期人员重识别数据集上的实验表明，我们的CPC优于SOTA无监督重识别方法，甚至接近有监督重识别模型。