基于软多标签学习的无监督行人重识别
计算机视觉与模式识别
2019-04-09 v2
摘要
尽管无监督行人重识别（RE-ID）因有望解决有监督RE-ID模型的可扩展性问题而受到越来越多研究关注，但在无跨 disjoint 相机视图的成对标签情况下学习判别性信息非常困难。为克服该问题，我们提出了一种用于无监督RE-ID的软多标签学习的深度模型。其思想是将无标签行人与来自辅助域的一组已知参考行人进行比较（并表示），从而为每名无标签行人学习一个软多标签（实值标签似然向量）。我们提出软多标签引导的难负样本挖掘，通过探索无标签目标对的视觉特征与软多标签的相似性一致性，为目标域学习判别性嵌入。由于大多数目标对为跨视角对，我们开发了跨视角一致的软多标签学习，以实现软多标签在不同相机视角下一致良好的学习目标。为实现高效的软多标签学习，我们引入参考代理学习，在联合嵌入中用参考代理表示每名参考行人。我们在Market-1501和DukeMTMC-reID上评估了我们的统一深度模型。我们的模型以明显优势优于最先进的无监督RE-ID方法。代码见 https://github.com/KovenYu/MAR。
引用
@article{arxiv.1903.06325,
title = {Unsupervised Person Re-identification by Soft Multilabel Learning},
author = {Hong-Xing Yu and Wei-Shi Zheng and Ancong Wu and Xiaowei Guo and Shaogang Gong and Jian-Huang Lai},
journal= {arXiv preprint arXiv:1903.06325},
year = {2019}
}
备注
CVPR19, oral