无监督含噪航迹片段行人重识别

现有行人重识别（re-id）方法大多依赖从每个域大量人工标注身份的训练数据中进行的监督模型学习，这限制了其在大规模部署中的可扩展性与可用性。本文提出一种新颖的选择性航迹片段学习（STL）方法，能以无监督方式从未经标注的航迹片段数据训练判别性行人重识别模型，从而避免了跨相机视角穷尽标注行人图像/航迹片段真实匹配对的繁琐且昂贵的过程。重要的是，我们的方法对原始航迹片段的任意含噪数据尤为鲁棒，因此可扩展至从非受限跟踪数据学习判别模型。这与少数现有替代方法不同，后者常假设存在真实匹配且每个身份类的航迹片段样本均衡。这一目标通过构建数据自适应的图像到航迹片段选择性匹配损失函数，并在多相机多任务深度学习模型结构中实现而达成。大量对比实验表明，所提 STL 模型在三个大型航迹片段行人重识别基准上显著超越最先进的（SOTA）无监督学习与一次学习重识别方法。