通过同步聚类与一致性学习的无监督行人重识别
计算机视觉与模式识别
2021-04-02 v1
摘要
无监督行人重识别（re-ID）因其解决有监督 re-ID 模型可扩展性问题的潜力而成为重要课题。然而，现有方法简单地利用来自聚类的伪标签进行监督，因此尚未充分挖掘数据本身的语义信息，这限制了所学模型的表示能力。为解决该问题，我们为无监督 re-ID 设计了一个前置任务，通过从静态图像学习视觉一致性和在训练过程中学习时间一致性，使得聚类网络能够自动将图像分离为语义簇。具体而言，该前置任务通过在潜在空间中最大化同一图像两个编码视图之间的一致性损失来学习语义上有意义的表示。同时，我们通过将两个编码视图分组到同一簇来优化模型，从而增强视图间的视觉一致性。在 Market-1501、DukeMTMC-reID 和 MSMT17 数据集上的实验表明，我们提出的方法大幅优于最先进的方法。
引用
@article{arxiv.2104.00202,
title = {Unsupervised Person Re-identification via Simultaneous Clustering and Consistency Learning},
author = {Junhui Yin and Jiayan Qiu and Siqing Zhang and Jiyang Xie and Zhanyu Ma and Jun Guo},
journal= {arXiv preprint arXiv:2104.00202},
year = {2021}
}