弱监督行人重识别：可微图学习与新基准

行人重识别（Re-ID）极大受益于现有数据集（如CUHK03 [1] 与 Market-1501 [2]）的精确标注，这些标注相当昂贵，因为数据集中每幅图像都必须被赋予恰当标签。本工作中，我们以不精确标注替代精确标注来减轻Re-ID标注负担，即按时间将图像分袋并为每个袋赋予袋级标签。这极大减少了标注工作量，并促成了称为SYSU-30$k$的大规模Re-ID基准的构建。新基准包含$30k$个个体，约为CUHK03（$1.3k$个个体）与Market-1501（$1.5k$个个体）的$20$倍，ImageNet（$1k$类）的$30$倍，共计29,606,918幅图像。以袋级标注学习Re-ID模型被称为弱监督Re-ID问题。为解决该问题，我们引入可微图模型以捕获袋中所有图像的依赖关系，并为每幅行人图像生成可靠的伪标签。该伪标签进一步用于监督Re-ID模型的学习。与全监督Re-ID模型相比，我们的方法在SYSU-30$k$及其他数据集上取得了最先进的性能。代码、数据集与预训练模型将发布于\url{https://github.com/wanggrun/SYSU-30k}。