通过软化相似性学习的无监督行人重识别
计算机视觉与模式识别
2020-04-08 v1
摘要
行人重识别（re-ID）是计算机视觉中的重要课题。本文研究 re-ID 的无监督设定，其不需要任何标注信息，从而可自由部署至新场景。该设定下的研究极少，迄今最佳方法之一采用迭代聚类与分类，将无标注图像聚类为伪类别以训练分类器，更新后的特征再用于聚类，如此往复。该方法存在两个问题：聚类数目的确定困难，以及聚类中的硬量化损失。本文中，我们沿用迭代训练机制但舍弃聚类，因其带来硬量化损失，而其唯一产物——图像级相似性——可轻易由成对计算与一项软化分类任务替代。借助这些改进，我们的方法更为简洁，且对超参数变化更鲁棒。在两个基于图像与基于视频的数据集上的实验展示了无监督 re-ID 设定下的当前最优性能。
引用
@article{arxiv.2004.03547,
title = {Unsupervised Person Re-identification via Softened Similarity Learning},
author = {Yutian Lin and Lingxi Xie and Yu Wu and Chenggang Yan and Qi Tian},
journal= {arXiv preprint arXiv:2004.03547},
year = {2020}
}
备注
Accepted to CVPR 2020