基于多标签学习引导自步聚类的无监督行人重识别
计算机视觉与模式识别
2021-03-09 v1
摘要
尽管无监督行人重识别（Re-ID）近来受到越来越多的研究关注，但在不相交摄像头视角下无标注地学习判别性特征仍具挑战。本文以概念新颖且简洁的框架解决无监督行人 Re-ID 问题，称为多标签学习引导自步聚类（MLC）。MLC 主要通过三个关键模块学习判别性特征，即多尺度网络、多标签学习模块与自步聚类模块。具体而言，多尺度网络在全局与局部视角下生成多粒度行人特征。多标签学习模块利用记忆特征库，并基于图像与特征库之间的相似度为每幅图像分配多标签向量。经过若干轮次的多标签训练后，自步聚类加入训练并为每幅图像分配伪标签。我们 MLC 的优势来自三方面：i) 用于更好相似度度量的多尺度行人特征，ii) 基于整个数据集的多标签分配确保每幅图像均可被训练，iii) 自步聚类移除部分噪声样本以助更好的特征学习。在三个流行的大规模 Re-ID 基准上的大量实验表明，我们的 MLC 优于先前最优方法，并显著提升了无监督行人 Re-ID 的性能。
引用
@article{arxiv.2103.04580,
title = {Unsupervised Person Re-Identification with Multi-Label Learning Guided Self-Paced Clustering},
author = {Qing Li and Xiaojiang Peng and Yu Qiao and Qi Hao},
journal= {arXiv preprint arXiv:2103.04580},
year = {2021}
}