基于多标签分类的无监督行人重识别
计算机视觉与模式识别
2020-04-21 v1
摘要
无监督行人重识别（ReID）的挑战在于在没有真实标签的情况下学习判别性特征。本文将有监督行人 ReID 表述为多标签分类任务以逐步寻找真实标签。我们的方法首先为每个人体图像分配单类标签，然后利用更新的 ReID 模型进行标签预测，演进为多标签分类。标签预测包括相似度计算和循环一致性以保证预测标签的质量。为提升多标签分类中 ReID 模型的训练效率，我们进一步提出基于记忆的多标签分类损失（MMCL）。MMCL 与基于记忆的非参数分类器协同工作，并将多标签分类与单标签分类集成于统一框架中。我们的标签预测与 MMCL 迭代工作并大幅提升了 ReID 性能。在多个大规模行人 ReID 数据集上的实验证明了我们的方法在无监督行人 ReID 中的优越性。我们的方法也允许使用其他领域的带标签人体图像。在此迁移学习设定下，我们的方法也取得了最先进的性能。
引用
@article{arxiv.2004.09228,
title = {Unsupervised Person Re-identification via Multi-label Classification},
author = {Dongkai Wang and Shiliang Zhang},
journal= {arXiv preprint arXiv:2004.09228},
year = {2020}
}
备注
CVPR2020