基于特征字典的自监督度量学习实现无监督车辆重识别
计算机视觉与模式识别
2021-03-04 v1 人工智能
摘要
无监督车辆重识别(Re-ID)的关键挑战是从无标签车辆图像中学习判别性特征。许多使用域适应的方法取得了优异性能,但这些方法仍需要一个有标签数据集作为源域。本文提出了一种无监督车辆 Re-ID 方法,该方法通过基于特征字典的自监督度量学习(SSML)无需任何类型的有标签数据集。我们的方法最初从车辆图像中提取特征并将其存储在字典中。此后,基于该字典,所提方法执行基于字典的正标签挖掘(DPLM)以搜索正标签。成对相似性、相对排序一致性和相邻特征分布相似性被联合考虑,以寻找可能属于给定探针图像同一车辆的图像。DPLM 的结果被应用于基于字典的三元组损失(DTL),以提高所学特征的判别性并逐步精炼 DPLM 结果的质量。DPLM 与 DTL 的迭代过程提升了无监督车辆 Re-ID 的性能。实验结果证明了所提方法的有效性,其在无预标签数据集的情况下产生了有前景的车辆 Re-ID 性能。本文源代码公开于 `https://github.com/andreYoo/VeRI_SSML_FD.git'。
引用
@article{arxiv.2103.02250,
title = {Unsupervised Vehicle Re-Identification via Self-supervised Metric Learning using Feature Dictionary},
author = {Jongmin Yu and Hyeontaek Oh},
journal= {arXiv preprint arXiv:2103.02250},
year = {2021}
}
备注
Under review