基于随机训练策略的无监督行人重识别
计算机视觉与模式识别
2022-07-08 v2
摘要
无监督行人重识别（re-ID）因其可扩展性与现实应用潜力而吸引了日益增长的研究兴趣。最先进的无监督re-ID方法通常遵循基于聚类的策略，通过聚类生成伪标签并维护一个记忆库来存储实例特征并代表聚类质心以进行对比学习。该方法存在两个问题。首先，无监督学习生成的质心可能并非完美原型。强制图像靠近质心会强化聚类结果，从而可能在迭代中累积聚类误差。其次，先前方法利用不同训练迭代中获得的特征来表示同一质心，由于特征不可直接比较，这与当前训练样本不一致。为此，我们提出一种带随机学习策略的无监督re-ID方法。具体而言，我们采用随机更新记忆库，其中从聚类随机选取一个实例来更新聚类级记忆以进行对比学习。如此，学习随机选取的图像对之间的关系，以避免不可靠伪标签引起的训练偏差。随机记忆库也始终保持最新以进行分类，从而保持一致性。此外，为缓解相机差异问题，聚类时提出统一距离矩阵，其中降低了来自不同相机域的距离偏差并突出了身份的离散度。
引用
@article{arxiv.2108.06938,
title = {Unsupervised Person Re-identification with Stochastic Training Strategy},
author = {Tianyang Liu and Yutian Lin and Bo Du},
journal= {arXiv preprint arXiv:2108.06938},
year = {2022}
}