伪标签细化引导的相机感知无监督行人重识别方法

TP391; 无监督行人重识别因其广泛的实际应用前景而受到越来越多的关注.大多数基于聚类的对比学习方法将每个集群视为一个伪身份类,忽略了由相机风格差异造成的类内差异.一些方法引入了相机感知对比学习,根据相机视角将单一集群划分为多个子集群,但它们容易受到噪声伪标签的误导.为解决这一问题,本文首先基于实例在特征空间中的相似性,采用最近邻的预测标签和原始聚类结果的加权组合细化伪标签.然后,采用细化伪标签动态地关联实例可能属于的类别中心,同时剔除可能存在的假阴性样本.这一方法改进了相机感知对比学习中正负样本的选择机制,有效地减轻了噪声伪标签对对比学习任务的误导.在Market-1501、MSMT17、...

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 50; no. 12; pp. 60 - 74
Main Authors 程思雨, 陈莹
Format Journal Article
LanguageChinese
Published 江南大学轻工过程先进控制教育部重点实验室物联网工程学院,江苏无锡 214122 2023
Subjects
细化伪标签
unsupervised
相机感知对比学习
person re-identification
行人重识别
camera-aware contrastive learning
无监督
refined pseudo-labels
Online AccessGet full text

Cover

More Information
Summary:TP391; 无监督行人重识别因其广泛的实际应用前景而受到越来越多的关注.大多数基于聚类的对比学习方法将每个集群视为一个伪身份类,忽略了由相机风格差异造成的类内差异.一些方法引入了相机感知对比学习,根据相机视角将单一集群划分为多个子集群,但它们容易受到噪声伪标签的误导.为解决这一问题,本文首先基于实例在特征空间中的相似性,采用最近邻的预测标签和原始聚类结果的加权组合细化伪标签.然后,采用细化伪标签动态地关联实例可能属于的类别中心,同时剔除可能存在的假阴性样本.这一方法改进了相机感知对比学习中正负样本的选择机制,有效地减轻了噪声伪标签对对比学习任务的误导.在Market-1501、MSMT17、Personx数据集上mAP/Rank-1分别达到了85.2％/94.4％、44.3％/74.1％、88.7％/95.9％.
ISSN:1003-501X
DOI:10.12086/oee.2023.230239