无监督行人重识别：聚类与微调
计算机视觉与模式识别
2017-06-30 v2
摘要
近期行人重识别（re-ID）文献已报道了深度学习行人表征的优越性。本文中，我们考虑在没有标签或仅有少量标签的情况下学习深度特征这一更为实际的问题。我们提出了一种渐进式无监督学习（PUL）方法，将预训练的深度表征迁移至未见领域。我们的方法易于实现，可视为无监督 re-ID 特征学习的有效基线。具体而言，PUL 在 1）行人聚类和 2）卷积神经网络（CNN）微调之间迭代，以改进在无关标注数据集上训练的原始模型。由于聚类结果可能包含大量噪声，我们在聚类与微调之间加入了选择操作。在初始阶段模型较弱时，CNN 在特征空间中靠近聚类中心的一小部分可靠样本上进行微调。随着模型在后续迭代中逐渐增强，更多图像被自适应地选为 CNN 训练样本。行人聚类和 CNN 模型逐步同步改进，直至算法收敛。这一过程自然地表述为自步学习。我们随后指出了有望带来进一步改进的方向。在三个大规模 re-ID 数据集上的大量实验表明，PUL 输出的判别性特征提高了 re-ID 精度。
引用
@article{arxiv.1705.10444,
title = {Unsupervised Person Re-identification: Clustering and Fine-tuning},
author = {Hehe Fan and Liang Zheng and Yi Yang},
journal= {arXiv preprint arXiv:1705.10444},
year = {2017}
}
备注
Add more results, parameter analysis and comparisons