【CVPR2020-杭州电子科技大学】软化相似性学习的无监督行人重识别，Unsupervised Person Re-identification via Softened Similarity Learning

题目

软化相似性学习的无监督行人重识别，Unsupervised Person Re-identification via Softened Similarity Learning

关键词

模式识别，机器视觉，深度学习，人工智能，人员重新识别（re-ID）

简介

人员重新识别（re-ID）是计算机视觉中的重要主题。 本文研究了re-ID的无监督设置，该设置不需要任何标记信息，因此可以自由地部署到新方案中。 在这种情况下进行的研究很少，并且是迄今为止使用迭代聚类和分类的最佳方法之一，因此，未标记的图像被聚类为伪类以供分类器训练，而更新后的特征用于聚类等。 。 这种方法存在两个问题，即确定聚类数的难度和聚类中的量化困难。 在本文中，我们遵循迭代训练机制，但放弃了聚类，因为它会因硬量化而导致损失，但其唯一的产品（图像级相似性）可以轻松地通过成对计算和软化的分类任务来代替。 通过这些改进，我们的方法变得更优雅，并且对超参数更改更加健壮。 在基于图像和基于视频的两个数据集上进行的实验证明了在无监督的re-ID设置下的最新性能。

作者

Yutian Lin∗ , Lingxi Xie , Yu Wu, Chenggang Yan1 , Qi Tian