Skeleton Prototype Contrastive Learning with Multi-Level Graph Relation Modeling for Unsupervised Person Re-Identification
Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly（南洋理工大学-不列颠哥伦比亚大学活跃老年生活卓越联合研究中心）；Nanyang Technological University（南洋理工大学）
通过3D骨架的人重新识别（re-ID）是一个重要的新兴课题，具有许多优点。现有的解决方案很少探索骨骼结构或运动中有价值的身体-部件关系，并且它们通常缺乏使用未标记的骨骼数据来学习用于人的重新识别的一般表示的能力。本文提出了一种通用的无监督骨架原型对比学习范式与多层次图关系学习（SPC-MGR），以从未标记的骨骼中学习有效的表示来执行人的重新识别。具体地，我们首先构造统一的多级骨架图，以完全建模骨架内的身体结构。然后，我们提出了一个多头结构关系层，全面捕捉物理连接的身体组件节点的关系图。利用一个全层次的协作关系层来推断与运动相关的身体部位之间的协作，从而捕获丰富的身体特征和可识别的行走模式。最后，我们提出了一个骨架原型对比学习方案，该方案对未标记图表示的特征相关实例进行聚类，并将它们的固有相似性与代表性骨架特征进行对比（“骨架原型”）来学习用于人re-ID的区别性骨架表示。经验评估表明，SPC-MGR显著优于几种最先进的基于骨架的方法，并且对于更一般的场景，它还实现了具有高度竞争力的人员重新识别性能。
2022-08-25 cs.AI cs.CV
Towards Discriminative Representation Learning for Unsupervised Person Re-identification
Xilinx Inc.（赛灵思公司）；Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）
在这项工作中，我们解决的问题，无监督的领域自适应的人重新ID注释可用于源域，但不为目标。以前的方法通常遵循两阶段优化管道，其中网络首先在源上进行预训练，然后使用特征聚类创建的伪标签在目标上进行微调。这种方法存在两个主要局限性。(1)标签噪声可能会阻碍用于识别目标类别的区分性特征的学习。(2)领域差距可能会阻碍知识从源到目标的转移。我们提出了三种技术方案来缓解这些问题。首先，我们提出了一个集群明智的对比学习算法（CCL）的特征学习和集群精炼的迭代优化学习噪声容忍表示在无监督的方式。其次，我们采用了渐进的领域自适应（PDA）策略，以逐步减轻源数据和目标数据之间的领域差距。第三，我们提出了傅立叶增强（FA），通过在傅立叶空间中施加额外的约束，进一步最大限度地提高类分离的re-ID模型。我们观察到，这些建议的计划是能够促进歧视性特征表示的学习。实验表明，我们的方法在多个基准测试中始终比最先进的无监督re-ID方法取得了显着的改进，例如，在Market-to-Duke、Duke-to-Market、Market-to-MSMT和Duke-to-MSMT任务上，分别以8.1%、9.9%、11.4%和11.1%的mAP大大超过MMT。
2021-08-16 cs.AI cs.CV
Adaptive Intra-Class Variation Contrastive Learning for Unsupervised Person Re-Identification
Beijing University of Posts and Telecommunications（北京邮电大学）；Xiamen University（厦门大学）
针对无监督行人重识别中记忆更新、假阳性样本及离群点丢弃问题，提出 AdaInCV 算法，通过 AdaSaM 与 AdaOF 自适应选择样本并利用有价值离群点。
2024-04-06 cs.AI cs.CV
SimMC: Simple Masked Contrastive Learning of Skeleton Representations for Unsupervised Person Re-Identification
Nanyang Technological University（南洋理工大学）；Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY)（南洋理工大学-不列颠哥伦比亚大学活跃老年生活卓越联合研究中心（LILY））
基于骨架的人重新识别（re-ID）的最新进展通过手工制作的骨架描述符或具有深度学习范例的骨架表示学习获得令人印象深刻的性能。然而，它们通常需要骨架预建模和标签信息用于训练，这导致这些方法的适用性有限。在本文中，我们专注于无监督的基于骨架的人重新识别，并提出了一个通用的简单掩蔽对比学习（SimMC）框架，从未标记的3D骨架中学习有效的表示，用于人重新识别。具体来说，为了充分利用每个骨架序列中的骨架特征，我们首先设计了一个屏蔽原型对比学习（MPC）方案来聚类最典型的骨架特征（骨架原型），并对比骨架特征和不同原型之间的固有相似性，以在不使用任何标签的情况下学习有区别的骨架表示。然后，考虑到同一序列中的不同连续性通常由于运动连续性的性质而具有强相关性，我们提出了掩蔽序列内对比学习（MIC）来捕获连续性之间的序列内模式一致性，以鼓励学习更有效的骨架表示的人重新识别。大量的实验验证，建议SimMC优于大多数国家的最先进的骨架-基于方法。我们进一步展示了它的可扩展性和效率，提高现有模型的性能。我们的代码可在https://github.com/Kali-Hac/SimMC上获得。
2022-06-19 cs.AI cs.CV
Unsupervised Person Re-Identification: A Systematic Survey of Challenges and Solutions
Monash University（莫纳什大学）；Northwest University（西北大学）；University of New South Wales（新南威尔士大学）；RMIT University（皇家墨尔本理工大学）
由于其在现实世界中的应用和重要的研究意义，人员再识别（Re-ID）在过去的十年中一直是一个重要的研究课题。虽然有监督的人Re-ID方法比无监督的方法具有更好的性能，但由于高昂的标签成本，它们无法扩展到大型未标记的数据集和新的领域。因此，无监督的人Re-ID由于其解决人Re-ID中的可扩展性问题的潜力而引起了越来越多的关注。无监督的人Re-ID具有挑战性，主要是由于缺乏身份标签来监督人特征学习。相应的解决办法多种多样，错综复杂，有各种优点和局限性。因此，关于这一主题的全面调查对于总结挑战和解决方案以促进未来的研究至关重要。现有的人员Re-ID调查侧重于分类和应用程序的监督方法，但缺乏关于人员Re-ID解决方案如何解决潜在挑战的详细讨论。本调查从挑战和解决方案的角度回顾了无监督人员Re-ID的最新工作。具体来说，我们提供了对高度影响力的方法的深入分析，考虑到无监督人Re-ID中的四个重大挑战：1）缺乏地面真实身份标签来监督人的特征学习; 2）使用伪监督学习有区别的人的特征; 3）学习跨相机不变的人的特征，以及4）数据集之间的域转移。我们总结和分析评估结果，并就解决方案的有效性提供见解。最后，我们讨论了开放的问题，并提出了一些有前途的未来研究方向。
2021-10-02 cs.CV
Cluster-guided Asymmetric Contrastive Learning for Unsupervised Person Re-Identification
Beijing University of Posts and Telecommunications（北京邮电大学）
无监督的人再识别（Re-ID）的目的是匹配行人图像从不同的相机视图在无监督的设置。现有的无监督人Re-ID方法通常建立在聚类的伪标签上。然而，聚类的质量在很大程度上取决于学习的特征的质量，这些特征绝大多数由图像中的颜色主导，特别是在无监督设置中。在本文中，我们提出了一个引导的非对称对比学习（CACL）方法的无监督的人的Re-ID，其中集群结构的杠杆作用，以指导在一个适当设计的非对称对比学习框架的特征学习。具体来说，我们提出了一种新的集群级对比损失，以帮助暹罗网络有效地挖掘特征学习的不变性相对于不同的数据增强视图内和之间的集群结构，分别。在三个基准数据集上进行的大量实验表明，我们的建议具有优越的性能。
2022-05-09 cs.CV
Unsupervised Multimodal Image Registration with Adaptative Gradient Guidance
Tsinghua University（清华大学）；Shenzhen International Graduate School（深圳国际研究生院）；Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根和妇女医院）
多模态图像配准（MIR）是许多图像引导治疗中的基本过程。最近，基于无监督学习的方法在可变形图像配准的准确性和效率方面表现出有前途的性能。然而，现有的方法估计的变形场完全依赖于待配准的图像对。网络很难意识到不匹配的边界，导致器官边界对齐不令人满意。在本文中，我们提出了一种新的多模态配准框架，该框架利用从以下两个方面估计的变形场：（i）原始待配准图像对，（ii）它们相应的梯度强度图，并将它们与所提出的门控融合模块自适应地融合。在梯度空间辅助引导下，网络可以更集中于器官边界的空间关系。两个临床采集的CT-MRI数据集上的实验结果表明，我们提出的方法的有效性。
2020-11-12 cs.CV eess.IV
Fully Unsupervised Person Re-identification viaSelective Contrastive Learning
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；Peng Cheng Laboratory（鹏城实验室）
人物再识别（ReID）的目的是在不同相机拍摄的图像中搜索同一身份的人。无监督人ReID由于不需要大量的人工标注，具有适应新环境的巨大潜力，近年来引起了人们的广泛关注。表示学习在无监督人ReID中起着至关重要的作用。在这项工作中，我们提出了一种新的选择性对比学习框架的无监督特征学习。具体来说，不同于传统的对比学习策略，我们提出使用多个阳性和自适应采样的阴性来定义对比损失，从而能够学习具有更强的身份鉴别表示的特征嵌入模型。此外，我们建议联合利用全局和局部特征来构建三个动态字典，其中全局和局部存储体用于成对相似度计算，混合存储体用于对比损失定义。实验结果表明，我们的方法在无人监督的人ReID的优越性相比，国家的艺术。
2021-03-04 cs.CV
Relieving Universal Label Noise for Unsupervised Visible-Infrared Person Re-Identification by Inferring from Neighbors
National University of Defense Technology（国防科技大学）；Hong Kong University of Science and Technology（香港科技大学）
针对无监督可见光-红外行人重识别中的标签噪声问题，提出利用邻居信息校准软标签并动态加权，在RegDB和SYSU-MM01上取得最优性能。
2024-12-16 cs.AI cs.CV
Unsupervised Person Re-identification via Multi-label Classification
Peking University（北京大学）
无监督人员重新识别（ReID）的挑战在于学习没有真实标签的区分特征。本文将无监督人ReID制定为多标签分类任务，以逐步寻找真正的标签。我们的方法首先为每个人的图像分配一个单类标签，然后通过利用更新后的ReID模型进行标签预测，发展到多标签分类。标签预测包括相似度计算和循环一致性，以确保预测标签的质量。为了提高ReID模型在多标签分类中的训练效率，我们进一步提出了基于记忆的多标签分类损失（MMCL）。MMCL与基于记忆的非参数分类器一起工作，将多标签分类和单标签分类集成在一个统一的框架中。我们的标签预测和MMCL迭代工作，并大大提高了ReID的性能。在几个大规模的人ReID数据集上的实验表明，我们的方法在无监督的人ReID的优越性。我们的方法还允许在其他领域中使用标记的人物图像。在这种迁移学习设置下，我们的方法也达到了最先进的性能。
2020-04-20 cs.CV
Graph Consistency Based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification
Peking University（北京大学）
最近的工作表明，平均教学是一个有效的框架，无监督域自适应的人重新识别。然而，现有的方法对教师网络和学生网络之间的样本进行对比学习，对伪标签中的噪声敏感，忽略了大多数样本之间的关系。此外，这些方法在不同教师网络的合作中并不有效。为了解决这些问题，本文提出了一种基于图一致性的均值教学（GCMT）方法，在教师和学生网络之间构建图一致性约束（GCC）。具体而言，给定未标记的训练图像，我们应用教师网络提取相应的特征，并进一步为每个教师网络构建教师图来描述训练图像之间的相似性关系。为了提高表示学习的效率，融合不同的教师图，为优化学生网络提供监督信号。GCMT融合了不同教师网络预测的相似关系作为监督，并有效地优化了学生网络，涉及更多的样本关系。在三个数据集上的实验，即，Market-1501、DukeMTMCreID和MSMT 17表明，提出的GCMT明显优于最先进的方法。特别是，GCMT甚至优于以前使用更深主干的方法。实验结果还表明，GCMT可以有效地提高多教师和学生网络的性能。我们的代码可在https://github.com/liu-xb/GCMT上获得。
2021-05-31 cs.AI cs.CV
Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification
IEEE Publication Technology Department（IEEE出版技术部门）；State Key Laboratory of Integrated Services Networks, School of Telecommunications Engineering, Xidian University（信息服务网络国家重点实验室，电信工程学院，西安电子科技大学）；Department of Computer Science and Technology, Tongji University（计算机科学与技术系，同济大学）
针对无监督跨模态行人重识别中忽略细粒度差异的问题，提出层次化身份学习框架HIL，通过二次聚类生成多记忆并结合多中心对比学习与双向反向选择传输机制，有效增强模态内聚类与跨模态匹配，在SYSU-MM01和RegDB数据集上优于现有方法。
2025-09-15 cs.AI cs.CV
TCMM: Token Constraint and Multi-Scale Memory Bank of Contrastive Learning for Unsupervised Person Re-identification
National Chung Cheng University（中正大学）
针对无监督行人重识别中的块噪声、特征不一致及离群样本浪费问题，提出带Token约束与多尺度记忆库的TCMM方法，在常用基准上取得SOTA性能。
2025-01-15 cs.AI cs.CV
SiCL: Silhouette-Driven Contrastive Learning for Unsupervised Person Re-Identification with Clothes Change
Beijing University of Posts and Telecommunications（北京邮电大学）；Tsinghua University（清华大学）
针对无监督长期换装行人重识别难题，提出融合RGB与轮廓信息的SiCL对比学习框架，在六个基准上显著优于现有无监督方法。
2024-04-07 cs.CV
Towards Dynamic and Small Objects Refinement for Unsupervised Domain Adaptative Nighttime Semantic Segmentation
AI Thrust, HKUST(GZ)（香港科技大学（广州）AI方向）；AI/CMA Thrust, HKUST(GZ)（香港科技大学（广州）AI/CMA方向）；Dept. of CSE, HKUST（香港科技大学计算机科学与工程系）
针对夜间语义分割中动态和小目标难以学习的问题，本文提出一种无监督域自适应方法，通过标签与特征层面的细化模块及原型对齐，在三个基准上大幅提升性能。
2024-03-14 cs.AI cs.CV
Multi-Level Attention for Unsupervised Person Re-Identification
China University of Mining and Technology（中国矿业大学）
注意力机制由于在神经网络中表现出色而不需要引入额外信息，因此被广泛应用于深度学习。然而，在无监督的人物再识别中，以多头自我注意为代表的注意模块在非基础事实的情况下会受到注意扩散的影响。为了解决这个问题，我们设计了像素级注意力模块，为多头自注意提供约束。同时，针对人物重识别数据的识别目标均为样本中的行人的特点，设计了领域级注意力模块，提供更全面的行人特征。我们结合头部级，像素级和领域级的注意力，提出了多层次的注意力块，并验证其性能上的大型人员重新识别数据集（市场-1501，DukeMTMC-reID和MSMT 17和PersonX）。
2022-01-10 cs.CV
Take More Positives: An Empirical Study of Contrastive Learing in Unsupervised Person Re-Identification
Shandong University（山东大学）；Hong Kong Baptist University（香港浸会大学）；Meituan（美团）
无监督人员重新识别（re-ID）旨在缩小与监督方法的性能差距。这些方法在学习表示的同时在数据点之间建立可靠的关系。然而，我们的经验表明，他们成功的原因不仅是他们的标签生成机制，而且他们未经探索的设计。通过交叉研究两种无监督的人员再识别方法，指出它们分别通过数据增强和PK采样器的设计隐式地处理了一个困难的负问题。在本文中，我们找到了另一个简单的解决方案，即，在训练过程中采取更多的积极措施，通过这种方式，我们以迭代的方式生成伪标签并更新模型。基于我们的研究结果，我们提出了一种无记忆的对比学习方法，用于无监督的人重新识别。我们的方法在基准数据集上运行良好，性能优于最先进的方法。代码将提供。
2021-03-19 cs.CV
Unsupervised Disentanglement GAN for Domain Adaptive Person Re-Identification
Polytechnique Montréal（蒙特利尔理工学院）；Arcturus Networks（阿克图鲁斯网络公司）
虽然最近的人重新识别（ReID）方法在监督设置中实现了高准确性，但它们对未标记域的推广仍然是一个悬而未决的问题。在本文中，我们引入了一种新的无监督解纠缠生成对抗网络（UD-GAN）来解决有监督人ReID的领域自适应问题。我们的框架联合训练了一个ReID网络，用于使用身份注释在源标记域中进行区分特征提取，并通过学习该域上的解纠缠潜在表示来将ReID模型适应于未标记的目标域。目标域中与身份无关的特征从潜在特征中提取。因此，ReID特征更好地涵盖了无监督域中的人的身份。我们在Market 1501、DukeMTMC和MSMT 17数据集上进行了实验。结果表明，ReID中的无监督领域自适应问题是非常具有挑战性的。尽管如此，我们的方法显示出在一半的域转移的改善，并实现国家的最先进的性能，其中之一。
2020-07-30 cs.CV
Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID
Xidian University（西安电子科技大学）；Northwestern Polytechnical University（西北工业大学）；Zhejiang Lab（之江实验室）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
针对无监督可见-红外行人重识别中跨模态聚类关联未被充分挖掘的问题，提出基于MBCCM算法的双边聚类匹配框架，结合MSMA对比学习与跨模态一致性约束缩小模态鸿沟，在两个基准数据集上平均mAP较SOTA提升8.76%。
2024-11-03 cs.AI cs.CV
MGH: Metadata Guided Hypergraph Modeling for Unsupervised Person Re-identification
Zhejiang University（浙江大学）
作为一个具有挑战性的任务，无监督的人ReID的目标是匹配相同的身份与查询图像，不需要任何标记的信息。通常，大多数现有方法仅关注视觉线索，留下潜在有价值的辅助元数据信息（例如，时空背景）未被探索。在现实世界中，这种元数据通常与捕获的图像一起可用，因此在分离几个硬ReID匹配中起着重要作用。考虑到这一动机，我们提出了~ \textbf{MGH}，一种新的无监督的人ReID方法，使用Meta信息构建一个超图的特征学习和标签细化。原则上，超图由相机拓扑感知的超边组成，可以对相机之间的异构数据相关性进行建模。利用超图上的标签传播，所提出的方法能够有效地改进ReID结果，例如纠正错误的标签或平滑噪声标签。给出了改进的结果，我们进一步提出了一个基于内存的列表损失，以近似的方式直接优化平均精度。在三个基准上的大量实验证明了所提出的方法对国家的最先进的有效性。
2021-10-12 cs.AI cs.CV cs.MM
Unsupervised Lifelong Person Re-identification via Contrastive Rehearsal
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）；European Systems Integration（欧洲系统集成公司）
现有的无监督人员重新识别（ReID）方法专注于将在源域上训练的模型适应于固定的目标域。然而，一个适应的ReID模型通常只适用于某个目标领域，但很难记住源领域的知识，并推广到即将到来的未知数据。在本文中，我们提出了无监督的终身人ReID，其重点是在新领域上持续进行无监督的领域自适应，而不会忘记从旧领域学到的知识。为了解决无监督的终身ReID问题，我们对少量存储的旧样本进行对比排练，同时顺序适应新的领域。我们还在新旧模型之间设置了图像到图像的相似性约束，以适合旧知识的方式正则化模型更新。我们以无监督的方式在几个大规模数据集上顺序训练我们的模型，并在所有可见的域以及几个看不见的域上对其进行测试，以验证我们方法的通用性。我们提出的无监督终身方法具有很强的泛化能力，在可见和不可见的领域都显着优于以前的终身方法。代码将在https://github.com/chenhao2345/UCR上提供。
2022-03-12 cs.CV
Hard-sample Guided Hybrid Contrast Learning for Unsupervised Person Re-Identification
Beijing University of Posts and Telecommunications（北京邮电大学）
无监督身份再识别是计算机视觉中一个极具发展前景和挑战性的研究课题。利用未标记数据学习鲁棒的和有区别的特征是Re-ID的核心问题。最近，基于聚类伪标记的无监督Re-ID算法受到了越来越多的关注。然而，以前的方法没有充分利用硬样本的信息，简单地使用聚类质心或所有实例进行对比学习。本文提出了一种结合聚类级损失和实例级损失的硬样本指导的混合对比学习（HHCL）方法，用于无监督人Re-ID。同时，引入硬实例对比损失进一步挖掘了判别信息。在两个流行的大规模Re-ID基准上进行的大量实验表明，我们的HHCL优于以前的最先进的方法，并显着提高了无监督人Re-ID的性能。我们的工作代码很快就可以在https://github.com/bupt-ai-cz/HHCL-ReID上找到。
2022-05-08 cs.CV
Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification
Peking University（北京大学）
由于源域和目标域之间存在较大的域间隙，以及目标域上标记数据的缺乏，无监督域自适应人员重新识别（ReID）具有挑战性。本文通过结合局部单热分类和全局多类分类来联合执行视觉和时间一致性来应对这一挑战。局部独热分类算法在一个训练批中分配不同的人物ID，然后采用自适应分类（SAC）模型对它们进行分类。全局多类分类是通过使用基于记忆的时间引导聚类（MTC）在整个未标记的训练集上预测标签来实现的。MTC通过考虑视觉相似性和时间一致性来预测多类标签，以确保标签预测的质量。这两个分类模型结合在一个统一的框架中，有效地利用了未标记的数据进行区分性特征学习。在三个大规模ReID数据集上的实验结果表明，该方法在无监督和无监督域自适应ReID任务中均具有较好的性能.例如，在无监督设置下，我们的方法优于最近的无监督域自适应方法，后者利用更多的标签进行训练。
2020-07-21 cs.CV
Leveraging Virtual and Real Person for Unsupervised Person Re-identification
Xiamen University（厦门大学）
人员重新识别（re-ID）是一个具有挑战性的问题，特别是当没有标签可用于训练时。虽然近年来的深度re-ID方法已经取得了很大的进步，但在训练数据中优化没有注释的深度re-ID模型仍然是困难的。为了解决这个问题，本研究引入了一种新的方法，通过利用虚拟和真实数据进行无监督的人重新识别。我们的方法包括两个部分：虚拟人生成和深度re-ID模型的训练。对于虚拟人生成，我们学习了一个人的生成模型和相机风格转移模型使用未标记的真实数据生成具有不同姿势和相机风格的虚拟人。虚拟数据被形成为标记的训练数据，使得随后能够在监管中训练深度re-ID模型。对于深度re-ID模型的训练，我们将其分为三个步骤：1）通过使用虚拟数据预训练粗re-ID模型; 2）从真实数据中挖掘基于协同过滤的正对; 3）通过利用挖掘的正对和虚拟数据对粗re-ID模型进行微调。最终的re-ID模型通过在步骤2和步骤3之间迭代直到收敛来实现。在两个大规模数据集Market-1501和DukeMTMC-reID上的实验结果表明了该方法的有效性，并表明在无监督的人re-ID中达到了最先进的水平。
2018-11-05 cs.CV
Unsupervised Tracklet Person Re-Identification
Queen Mary University of London（伦敦玛丽女王大学）；Vision Semantics Limited（视觉语义有限公司）
大多数现有的人重新识别（re-id）方法依赖于对每个相机对手动标记的成对训练数据的监督模型学习。这导致在实际的重新标识部署中的较差的可扩展性，这是由于缺乏针对每个相机对的正图像和负像对的详尽身份标记。在这项工作中，我们提出了一种无监督的re-id深度学习方法。它能够从端到端自动生成的人物轨迹片段数据中逐步发现和利用底层的re-id判别信息。我们制定了一个无监督的Tracklet关联学习（UTAL）框架。这是通过联合学习摄像机内轨迹识别和跨摄像机轨迹关联，以最大限度地发现摄像机视图内和跨摄像机视图的轨迹标识匹配。在8个基准数据集上的大量实验表明，该模型优于现有的无监督学习和领域自适应方法.
2019-03-01 cs.CV
Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised Person Re-identification
Beijing University of Posts and Telecommunications（北京邮电大学）
无监督人再识别（ReID）的目的是将行人的查询图像与图库集中没有监督标签的图像进行匹配。解决无监督人ReID的最流行方法通常是首先执行聚类算法以产生伪标签，然后利用伪标签来训练深度神经网络。然而，在聚类算法中，伪标签是噪声和敏感的超参数（S）。在本文中，我们提出了一种混合对比学习（HCL）的方法，无监督的人ReID，这是基于实例级和集群级对比损失函数之间的混合。提出了一种基于多粒度聚类集成的混合对比学习（MGCE-HCL）方法，该方法采用多粒度聚类集成策略挖掘伪正样本对之间的优先级信息，并定义了优先级加权的混合对比损失，以更好地容忍伪正样本中的噪声。我们在两个基准数据集Market-1501和DukeMTMC-reID上进行了广泛的实验。实验结果验证了我们的建议的有效性。
2022-04-14 cs.CV
Joint Generative and Contrastive Learning for Unsupervised Person Re-identification
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）；European Systems Integration（欧洲系统集成公司）
最近的自监督对比学习通过从输入的不同视图（变换版本）学习不变性，为无监督的人重新识别（ReID）提供了一种有效的方法。在本文中，我们将生成对抗网络（GAN）和对比学习模块合并到一个联合训练框架中。虽然GAN为对比学习提供在线数据增强，但对比模块学习用于生成的视图不变特征。在这种情况下，我们提出了一个基于网格的视图生成器。具体地，网格投影用作生成人的新颖视图的参考。此外，我们提出了一个视图不变的损失，以促进原始和生成的意见之间的对比学习。与以前基于GAN的涉及领域自适应的无监督ReID方法不同，我们不依赖于标记的源数据集，这使得我们的方法更加灵活。大量的实验结果表明，我们的方法显着优于国家的最先进的方法下，完全无监督和无监督域自适应设置几个大规模的ReID数据集。
2021-03-30 cs.CV
Joint Optimization in Edge-Cloud Continuum for Federated Unsupervised Person Re-identification
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）
人员重新识别（ReID）旨在从非重叠的摄像机视图中重新识别人员。由于个人ReID数据包含敏感的个人信息，研究人员采用了联邦学习，一种新兴的分布式训练方法，以减轻隐私泄露风险。然而，现有的研究依赖于费力和耗时的数据标签。我们提出了FedUReID，这是一个联合的无监督人员ReID系统，可以在不使用任何标签的情况下学习人员ReID模型，同时保护隐私。FedUReID支持在具有未标记数据的边缘上进行原位模型训练。云服务器从边缘聚集模型，而不是集中原始数据，以保护数据隐私。此外，为了解决边缘数据量和分布不同的问题，我们通过云和边缘的联合优化对边缘进行个性化训练。具体来说，我们提出了个性化的epoch来重新分配整个训练过程中的计算，个性化的聚类来迭代地预测未标记数据的合适标签，以及个性化的更新来使服务器聚合模型适应每个边缘。在8个人ReID数据集上的大量实验表明，FedUReID不仅实现了更高的准确率，而且将计算成本降低了29%。我们的FedUReID系统与联合优化将揭示实施联邦学习更多的多媒体任务没有数据标签。
2021-08-14 cs.AI cs.CV cs.DC
Multi-task Mid-level Feature Alignment Network for Unsupervised Cross-Dataset Person Re-Identification
University of Warwick（华威大学）；Nanyang Technological University（南洋理工大学）；Charles Sturt University（查尔斯史都华大学）
大多数现有的人重新识别（Re-ID）方法遵循监督学习框架，其中需要大量的标记匹配对进行训练。这种设置严重限制了它们在现实世界应用中的可扩展性，在现实世界中，在训练阶段没有标记的样本可用。为了克服这一限制，我们开发了一种新的无监督多任务中层特征对齐（MMFA）网络，用于无监督跨数据集的人员重新识别任务。假设源数据集和目标数据集共享同一组中级语义属性，我们提出的模型可以在人的身份分类和属性学习任务下使用跨数据集中级特征对齐正则化项进行联合优化。以这种方式，学习的特征表示可以从一个数据集更好地推广到另一个数据集，这进一步提高了人员重新识别的准确性。在四个基准数据集上的实验结果表明，我们提出的方法优于最先进的基线。
2018-07-11 cs.CV
Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement
Xidian University（西安电子科技大学）；University of New South Wales（新南威尔士大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
针对无监督可见-红外行人重识别的跨模态数据关联难题，提出DOTLA框架与邻域引导标签细化模块，在两个公开数据集上平均mAP超现有SOTA方法7.76%，甚至优于部分有监督方法。
2024-11-03 cs.AI cs.CV
Unsupervised Person Re-identification by Deep Learning Tracklet Association
Nanjing University of Science and Technology（南京理工大学）；Queen Mary University of London（伦敦玛丽女王大学）；Vision Semantics Limited（视觉语义有限公司）
大多数现有的人员识别（re-id）方法依赖于对每个摄像机对手动标记的成对训练数据进行监督模型学习。这导致实际re-id部署中的可扩展性差，这是由于缺乏针对每个相机对的图像正对和负对的详尽身份标记。在这项工作中，我们通过提出一种无监督的re-id深度学习方法来解决这个问题，该方法能够在端到端模型优化中从视频中自动生成的人物轨迹数据中逐步发现和利用底层的re-id判别信息。我们制定了一个Tracklet关联无监督深度学习（TAUDL）框架，其特征是通过最大限度地发现相机视图中最可能的tracklet关系，联合学习每个相机（相机内）tracklet关联（标记）和跨相机tracklet相关性。大量的实验证明了所提出的TAUDL模型的优越性，国家的最先进的无监督和领域自适应的重新识别方法使用六人重新识别基准数据集。
2018-09-08 cs.CV
PAC-GAN: An Effective Pose Augmentation Scheme for Unsupervised Cross-View Person Re-identification
Central South University（中南大学）
人物再识别（person Re-Id）的目的是检索由不相交和不重叠的摄像机捕获的同一个人的行人图像。近年来，许多研究者开始关注这一热点问题，并提出了基于深度学习的方法来提高有监督或无监督的识别率。然而，两个不可忽视的局限性：首先，与其他图像检索基准相比，现有的人Re-Id数据集的大小远远不能满足要求，无法为深度模型的训练提供足够的行人样本;其次，现有数据集中的样本没有足够的人体运动或姿势覆盖，无法为学习提供更多的先验知识。在本文中，我们介绍了一种新的无监督的姿态增强跨视图的人Re-ID计划称为PAC-GAN，以克服这些限制。本文首先给出了交叉视角姿态增强的形式化定义，然后提出了基于条件生成对抗网络（CGAN）的PAC-GAN框架，该框架用于提高无监督交叉视角人Re-Id的性能。PAC-GAN中的姿态生成模型CPG-Net是从原始图像和骨架样本中生成足够数量的姿态丰富样本。通过将合成的姿势丰富的样本与原始样本相结合来产生姿势增强数据集，该数据集被馈送到名为Cross-GAN的跨视图人Re-Id模型中。此外，我们在CPG-Net中使用权重共享策略来提高新生成样本的质量。据我们所知，我们是第一次尝试，以提高无监督的跨视图的人Re-Id的姿势增强，广泛的实验结果表明，该计划可以打击国家的最先进的。
2019-06-05 cs.CV
Unsupervised Noisy Tracklet Person Re-identification
Nanjing University of Science and Technology（南京理工大学）；Vision Semantics Limited（视觉语义有限公司）；Queen Mary University of London（伦敦玛丽女王大学）
现有的人员重新识别（re-id）方法主要依赖于从每个域的大量人员身份标记的训练数据中进行监督模型学习。这限制了它们在大规模部署中的可扩展性和可用性。在这项工作中，我们提出了一种新的选择性轨迹学习（STL）的方法，可以训练歧视性的人re-id模型从无标签的轨迹数据在无监督的方式。这避免了在相机视图中彻底标记人物图像/轨迹片段真实匹配对的繁琐和昂贵的过程。重要的是，我们的方法对原始tracklet的任意噪声数据特别鲁棒，因此可扩展到从无约束跟踪数据中学习判别模型。这与一些现有的替代方法不同，这些方法通常假设每个身份类存在真正的匹配和平衡的tracklet样本。这是通过制定在多相机多任务深度学习模型结构中探索的数据自适应图像到轨迹片段选择性匹配损失函数来实现的。大量的对比实验表明，所提出的STL模型显着优于国家的最先进的无监督学习和一次性学习的re-id方法在三个大的tracklet人re-id基准。
2021-01-16 cs.CV
Hard Samples Rectification for Unsupervised Cross-domain Person Re-identification
National Taiwan University（台湾大学）；Intel Corporation（英特尔公司）；Delta Electronics（台达电子）；Compal Electronics（仁宝电子）
监督学习方法在人的再识别中取得了巨大的成功。然而，无监督的跨域re-ID任务仍然具有挑战性。本文提出了一种硬样本校正（HSR）学习方案，解决了原有的基于聚类的方法容易受到目标未标记数据集中的硬阳性和阴性样本的弱点。我们的HSR包含两个部分，一个是相机间挖掘方法，可以帮助识别不同视图下的人（硬阳性），另一个是基于部分的同质性技术，可以使模型区分不同的人，但具有相似的外观（硬阴性）。通过纠正这两种困难的情况，re-ID模型可以有效地学习，并在两个大规模的基准测试中取得令人满意的结果。
2021-06-14 cs.CV
Robust Knowledge Adaptation for Federated Unsupervised Person ReID
The University of Sydney（悉尼大学）；Dalian Maritime University（大连海事大学）；ShanghaiTech University（上海科技大学）
近年来，由于公共安全需求的增加，人员重新识别（ReID）得到了广泛的研究。然而，收集和处理敏感的个人数据会引起隐私问题。因此，已经为Person ReID探索了联邦学习，其目的是在不同方（客户端）之间共享最少的敏感数据。然而，现有的基于联邦学习的人员ReID方法一般依赖于费力耗时的数据标注，难以保证跨域一致性。因此，在这项工作中，提出了一种联合无监督聚类对比（FedUCC）学习方法用于Person ReID。FedUCC引入了一个由粗到细的三阶段建模策略。具体地，使用深度神经网络发现通用知识、专业知识和补丁知识。这使得客户端之间能够共享相互的知识，同时根据网络层的种类及其参数保留本地特定领域的知识。在8个公共基准数据集上的综合实验证明了我们所提出的方法的最先进的性能。
2023-01-18 cs.CV
Hierarchical Skeleton Meta-Prototype Contrastive Learning with Hard Skeleton Mining for Unsupervised Person Re-Identification
Nanyang Technological University（南洋理工大学）；The University of British Columbia（不列颠哥伦比亚大学）
本文提出无监督分层骨架元原型对比学习方法Hi-MPC，结合困难骨架挖掘HSM，通过关节、部件、肢体分层建模与元原型一致性学习，在多个数据集上超越现有骨架行人重识别方法。
2023-09-19 cs.AI cs.CV
Unsupervised Domain Adaptive Person Re-Identification via Human Learning Imitation
Center for Frontier AI Research, Agency for Science, Technology, and Research（新加坡科技研究局前沿人工智能研究中心）；Huazhong University of Science and Technology（华中科技大学）；Zhejiang University（浙江大学）；Dalian University of Technology（大连理工大学）
无监督域自适应身份识别因其较高的实用价值而受到广泛关注。在过去的几年里，通过遵循聚类和微调范式，研究人员提出在他们的方法中利用教师-学生框架来减少不同的人重新识别数据集之间的域差距。受近年来基于师生框架的学习方法的启发，本文提出从\textit{i.e.}、自适应更新学习材料、有选择地模仿教师行为和分析学习材料结构等不同方面对人类学习过程进行模拟。这三个部分相互协作，共同构成了一个新的无监督领域自适应人物再识别方法--仿人学习框架。在三个基准数据集上的实验结果证明了该方法的有效性。
2021-12-05 cs.CV
Cross-view Asymmetric Metric Learning for Unsupervised Person Re-identification
Sun Yat-sen University（中山大学）
虽然度量学习是重要的人重新识别（RE-ID），一个重要的问题，在视觉监控跨视图行人匹配，现有的度量模型的RE-ID大多是基于监督学习，需要大量的标记样本的所有对摄像机视图的训练。然而，这限制了它们在现实应用中的可扩展性，在现实应用中，多个不相交的相机视图上的大量数据可用但未标记。为了克服这个问题，我们提出了无监督RE-ID的无监督非对称度量学习。我们的模型旨在学习一个非对称度量，即，每个视图的特定投影，基于交叉视图个人图像上的不对称聚类。我们的模型找到了一个共享的空间，在那里特定于视图的偏见得到缓解，从而可以实现更好的匹配性能。在一个基线数据集和五个大规模的RE-ID数据集上进行了大量的实验，以证明所提出的模型的有效性。通过比较，我们表明，我们的模型更适合于无监督的RE-ID相比，经典的无监督度量学习模型。我们还与现有的无监督RE-ID方法进行了比较，我们的模型以显着的优势优于它们。具体来说，我们报告了大规模未标记的RE-ID数据集的结果，这是重要的，但不幸的是，在文献中较少关注。
2017-10-18 cs.CV
Unsupervised Attention Based Instance Discriminative Learning for Person Re-Identification
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
人的重新识别的最新进展已经证明了增强的辨别力，特别是监督学习或迁移学习。然而，由于数据要求--包括数据整理的程度--变得越来越复杂和费力，因此迫切需要对大的类内变化（例如视角、照明、关节运动、分辨率等的变化）具有鲁棒性的无监督方法。我们提出了一种用于人员重新识别的无监督框架，该框架以端到端的方式进行训练，而无需任何预训练。我们提出的框架利用了一种新的注意力机制，该机制结合了组卷积，以（1）在多个尺度上增强空间注意力，（2）将可训练参数的数量减少59.6%。此外，我们的框架通过凝聚聚类和实例学习来联合优化网络，以处理硬样本。我们使用Market 1501和DukeMTMC-reID数据集进行了广泛的分析，以证明我们的方法始终优于最先进的方法（有和没有预先训练的权重）。
2020-11-03 cs.CV
Transformer Based Multi-Grained Features for Unsupervised Person Re-Identification
Zhejiang University（浙江大学）
从卷积神经网络（CNN）中提取的多粒度特征在有监督的人员再识别（Re-ID）任务中表现出了很强的区分能力。受其启发，本文研究了从纯Transformer网络中提取多粒度特征的方法，以解决无标签但更具挑战性的无监督Re-ID问题。为此，我们建立了一个双分支网络架构的基础上修改的视觉Transformer（ViT）。每个分支中的局部标记输出被整形，然后均匀地划分为多个条带以生成部分级特征，而两个分支的全局标记被平均以生成全局特征。此外，基于离线-在线关联摄像机感知代理（O2 CAP），这是一种性能最好的无监督Re-ID方法，我们定义了离线和在线对比学习损失的全局和部分级别的功能进行无监督学习。在三人Re-ID数据集上的广泛实验表明，该方法的性能远远优于最先进的无监督方法，大大缩小了与有监督方法的差距。代码将很快在https://github.com/RikoLi/WACV23-workshop-TMGF上提供。
2022-11-22 cs.CV
Spatial-Aware GAN for Unsupervised Person Re-identification
Alibaba DAMO Academy（阿里巴巴达摩院）；Nanyang Technological University（南洋理工大学）
近年来的人物再识别研究取得了很大的成功，通过学习大量的标记的人的图像。另一方面，当应用于在不同环境中收集的图像时，学习的模型通常会经历显著的性能下降。无监督的领域自适应（UDA）已经被研究以减轻该约束，但是大多数现有系统仅在像素级上对图像进行自适应而忽略空间级上的明显差异。本文提出了一种创新的基于UDA的人重新识别网络，能够同时在空间和像素级别上适应图像。设计了一种新的解纠缠周期一致性损失，以协作的方式指导空间级和像素级自适应的学习。此外，一个新的多模态机制，这是能够生成不同的几何视图的图像和增强训练图像有效地纳入。在大量公开数据集上的实验表明，与现有技术相比，所提出的UDA网络具有更好的人员重新识别性能。
2022-10-03 cs.CV
ICE: Inter-instance Contrastive Encoding for Unsupervised Person Re-identification
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）；European Systems Integration（欧洲系统集成公司）
无监督的人再识别（ReID）旨在学习没有注释的区别性身份特征。近年来，自监督对比学习因其在无监督表示学习中的有效性而受到越来越多的关注。实例对比学习的主要思想是在不同的增强视图中匹配同一实例。然而，不同实例之间的关系还没有被充分探讨在以前的对比方法，特别是实例级对比损失。为了解决这个问题，我们提出了实例间对比编码（ICE），它利用实例间成对相似性得分来提高以前的类级对比ReID方法。我们首先使用成对相似性排名作为硬实例对比的one-hot硬伪标签，其目的是减少类内方差。然后，我们使用相似性分数作为软伪标签来增强增强视图和原始视图之间的一致性，这使得我们的模型对增强扰动更具鲁棒性。在几个大规模的人ReID数据集上的实验验证了我们提出的无监督方法ICE的有效性，该方法与有监督方法相比具有竞争力。代码可在https://github.com/chenhao2345/ICE上获得。
2021-08-18 cs.CV
Imitating Targets from all sides: An Unsupervised Transfer Learning method for Person Re-identification
由于数据集间偏差（例如完全不同的身份和背景）和数据集内差异（例如相机不变性），人员重新识别（Re-ID）模型在一个数据集上训练并在另一个数据集上测试时通常表现出有限的性能。针对这一问题，在给定标记源训练集和未标记目标训练集的情况下，我们提出了一种无监督的迁移学习方法，其特点是：1）通过提出的ImitateModel同时弥合数据集间偏差和数据集内差异; 2）将无监督的人的Re-ID问题看作是一个由双分类损失公式化的半监督学习问题，以学习跨领域的判别表示; 3）从类风格空间中挖掘不同领域之间的潜在共性，以提高re-ID模型的泛化能力。在Market-1501和DukeMTMC-reID两个广泛使用的基准上进行了大量的实验，实验结果表明，该方法可以实现与其他最先进的无监督Re-ID方法相比具有竞争力的性能。
2021-04-28 cs.CV
Unsupervised Long-Term Person Re-Identification with Clothes Change
China Academy of Aerospace Science and Innovation（中国航天科技创新研究院）；Tsinghua University（清华大学）；University of Surrey（萨里大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对换衣长期行人重识别中身份标签昂贵且外观变化剧烈的问题，提出可依据聚类置信度自适应调节准则的无监督 CPC 方法，并在三个数据集上达到接近监督模型的效果。
2024-01-23 cs.CV
Unsupervised Person Re-identification by Soft Multilabel Learning
Sun Yat-sen University（中山大学）；YouTu Lab, Tencent（腾讯优图实验室）；Queen Mary University of London（伦敦玛丽女王大学）
虽然无监督的人重新识别（RE-ID）由于其解决监督RE-ID模型的可扩展性问题的潜力而引起了越来越多的研究关注，但在不相交的摄像机视图中没有成对标签的情况下学习区分信息是非常具有挑战性的。为了克服这个问题，我们提出了一个用于无监督RE-ID的软多标签学习的深度模型。其思想是通过将未标记的人与一组来自辅助域的已知参考人进行比较（并表示），为每个未标记的人学习软多标签（实值标签似然向量）。我们提出了软多标签引导的硬负挖掘，通过探索视觉特征和未标记目标对的软多标签的相似性一致性来学习未标记目标域的区分嵌入。由于大多数目标对是跨视图对，我们开发了跨视图一致的软多标签学习，以实现软多标签在不同相机视图中一致良好的学习目标。为了实现有效的软多标签学习，我们引入了参考代理学习，以联合嵌入中的参考代理来表示每个参考人。我们在Market-1501和DukeMTMC-reID上评估我们的统一深度模型。我们的模型明显优于最先进的无监督RE-ID方法。代码可在https://github.com/KovenYu/MAR上获得。
2019-04-08 cs.CV
Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification
Northwestern Polytechnical University（西北工业大学）
由于在智能视频监控中的广泛应用，人员身份重识别技术得到了越来越多的关注。不幸的是，主流的深度学习方法仍然需要大量的标记数据来训练模型，并且在现实世界的场景中注释数据是一项昂贵的工作。此外，由于不同数据集之间的域间隙，当在标签丰富的数据集（源域）上预训练的re-ID模型直接应用于其他未标记的数据集（目标域）时，性能会急剧下降。本文试图从数据和方法两个方面来弥补这些问题。首先，我们开发了一个数据收集器来自动生成计算机游戏中的合成re-ID样本，并构建了一个数据标注器来同时注释它们，这将人类从繁重的数据汇集和注释中解放出来。在此基础上，我们建立了两个不同尺度的合成人身份数据集，“GSPR”和“mini-GSPR”数据集。其次，我们提出了一个基于合成的多领域协作精化（SMCR）网络，该网络包含一个合成预训练模块和两个协作精化模块，以实现对来自多个领域的有价值知识的充分学习。大量的实验表明，我们提出的框架获得了显着的性能改善，超过国家的最先进的方法上的多个无监督领域自适应任务的人重新识别。
2021-10-26 cs.AI cs.CV cs.LG
Unsupervised Person Re-Identification with Multi-Label Learning Guided Self-Paced Clustering
School of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程学院）；College of Big Data and Internet, Shenzhen Technology University（深圳技术大学大数据与互联网学院）
虽然无监督的人重新识别（Re-ID）最近引起了越来越多的研究关注，但在不相交的摄像机视图中学习没有注释的区分特征仍然具有挑战性。在本文中，我们解决了无监督的人的Re-ID的概念新颖而简单的框架，称为多标签学习引导的自步调聚类（MLC）。MLC主要通过三个关键模块来学习区分性特征，即多尺度网络、多标签学习模块和自定进度聚类模块。具体地，多尺度网络在全局和局部视图中生成多粒度的人特征。多标签学习模块利用记忆特征库，并基于图像和特征库之间的相似性为每个图像分配多标签向量。在多个时期的多标签训练之后，自定步调的聚类加入训练并为每个图像分配伪标签。我们的MLC的好处来自三个方面：i）多尺度的人的特征，以更好的相似性测量，ii）基于整个数据集的多标签分配，确保每个图像都可以训练，iii）自定进度的聚类去除一些噪声样本，以更好地进行特征学习。在三个流行的大规模Re-ID基准测试上的大量实验表明，我们的MLC优于以前的最先进的方法，并显着提高了无监督的人Re-ID的性能。
2021-03-08 cs.CV
Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification
Xidian University（西安电子科技大学）；Zhejiang Lab（之江实验室）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
无监督的人再识别（ReID）的目的是在没有任何注释的情况下学习用于人检索的区分性身份特征。最近的进展通过利用基于聚类的伪标签来完成这一任务，但是这些伪标签不可避免地带有噪声，这会降低模型性能。在本文中，我们提出了一个邻居一致性指导的伪标签细化（NCPLR）框架，它可以被看作是一个转导形式的标签传播的假设下，每个例子的预测应该是类似的最近邻居的。具体地，每个训练实例的细化标签可以通过原始聚类结果和其邻居的预测的加权集合来获得，其中权重根据它们在特征空间中的相似性来确定。此外，我们认为基于聚类的无监督人ReID作为一个标签噪声学习问题。然后，我们提出了一个显式的邻居一致性正则化，以减少模型对过度拟合的敏感性，同时提高训练稳定性。NCPLR方法简单有效，可以无缝集成到现有的基于聚类的无监督算法中。在五个ReID数据集上的实验结果表明了该方法的有效性，并显示出比现有方法更好的性能。
2022-11-30 cs.CV
Enhancing Diversity in Teacher-Student Networks via Asymmetric branches for Unsupervised Person Re-identification
University of Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；European Systems Integration（欧洲系统集成公司）
无监督的人再识别（Re-ID）的目标是在没有劳动密集型身份注释的情况下学习有区别的特征。最先进的无监督Re-ID方法为目标域中的未标记图像分配伪标签，并从这些噪声伪标签中学习。最近引入的Mean Teacher模型是一种很有前途的方法来减轻标签噪声。然而，在训练过程中，自组装的师生网络迅速收敛到一个共识，导致局部最小值。我们探讨了在神经网络内部使用非对称结构来解决这个问题的可能性。首先，提出了非对称分支，以不同的方式提取特征，这增加了特征的多样性在外观签名。然后，我们提出的跨分支监督允许一个分支从另一个分支获得监督，这传递了不同的知识，并增强了教师和学生网络之间的权重差异。大量的实验表明，我们提出的方法可以显着超过性能的无监督领域自适应和完全无监督的Re-ID任务的以前的工作。
2020-11-27 cs.CV
Learning Invariance from Generated Variance for Unsupervised Person Re-identification
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）；European Systems Integration（欧洲系统集成公司）
本文主要研究人的再识别（ReID）中的无监督表示学习。最近的自监督对比学习方法通过最大化同一图像的两个增强视图之间的表示相似性来学习不变性。然而，传统的数据增强可能会带来不希望的身份特征失真，这在身份敏感的ReID任务中并不总是有利的。在本文中，我们提出用生成对抗网络（GAN）取代传统的数据增强，该网络的目标是生成用于对比学习的增强视图。提出了一种三维网格引导的人物图像生成器，将人物图像分解为身份相关和身份无关的特征。与以前基于GAN的ReID方法只在与id无关的空间（姿势和相机风格）中工作不同，我们对与id无关和与id相关的特征进行基于GAN的增强。我们进一步提出了具体的对比损失，以帮助我们的网络学习不变性的身份无关和身份相关的扩增。通过联合训练生成模块和对比模块，我们的方法在主流大规模基准测试中实现了新的最先进的无监督人员ReID性能。
2023-01-02 cs.CV
Temporal Continuity Based Unsupervised Learning for Person Re-Identification
Shanghai Jiao Tong University（上海交通大学）
人物重新识别（re-id）旨在从多个摄像头拍摄的图像中匹配同一个人。大多数现有的人的re-id方法通常需要大量的身份标记的数据作为表示学习的判别准则。人工采集身份标注数据的难度导致实际场景适应性差。为了克服这个问题，我们提出了一种无监督的基于中心的聚类方法，能够逐步学习和利用相机内的时间连续性的基本re-id判别信息。我们称我们的框架为基于时间连续性的无监督学习（TCUL）。具体而言，TCUL同时进行未标记（目标）数据集的基于中心的聚类，并微调在不相关的标记（源）数据集上预训练的卷积神经网络（CNN），以增强CNN对目标数据集的区分能力。此外，它利用相机内图像的时间连续性与相机间特征图的空间相似性来生成可靠的伪标签，用于训练重新识别模型。随着训练的进行，可靠样本的数量不断自适应地增长，这反过来又增强了CNN的表示能力。在三个大规模的person re-id基准数据集上进行了大量的实验，将我们的框架与最先进的技术进行了比较，证明了TCUL比现有方法的优越性。
2020-09-01 cs.CV
Progressive Unsupervised Person Re-identification by Tracklet Association with Spatio-Temporal Regularization
University of Science and Technology of China（中国科学技术大学）；Huawei Cloud EI Product Department（华为云EI产品部）；Huawei Noah’s Ark Laboratory（华为诺亚方舟实验室）
现有的人重新识别（Re-ID）方法大多基于监督学习，其需要跨所有相机视图的大量手动标记的样本用于训练。这样的范例遭受可扩展性问题，因为在现实世界的Re-ID应用中，很难在多个不相交的相机视图上详尽地标记丰富的身份。为此，我们提出了一种渐进式深度学习方法，用于通过时空正则化跟踪关联（TASTR）在野外进行无监督的人Re-ID。在我们的方法中，我们首先通过自动人员检测和跟踪在每个摄像头内收集tracklet数据。然后，基于用于人表示学习的摄像机内三元组构造来训练初始Re-ID模型。在此基础上，基于人的视觉特征和时空约束，我们关联跨摄像机的tracklets生成跨摄像机三元组和更新的Re-ID模型。最后，利用改进的Re-ID模型，提取出更好的人的视觉特征，进一步促进了跨摄像机轨迹的关联。最后两个步骤重复多次以逐步升级Re-ID模型。
2019-10-25 cs.CV
CANU-ReID: A Conditional Adversarial Network for Unsupervised person Re-IDentification
Inria（法国国家信息与自动化研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Télécom Paris（巴黎高等电信学院）；IP Paris（巴黎理工学院）
无监督人员重新识别是在目标数据集上识别在训练期间ID标签不可用的人员的任务。在本文中，我们提出统一无监督人员重新识别的两个趋势：聚类和微调以及对抗性学习。一方面，聚类将训练图像分组为伪ID标签，并使用它们来微调特征提取器。另一方面，受领域自适应的启发，使用对抗学习来匹配来自不同领域的分布。由于目标数据分布在不同的相机视点，我们建议将每个相机建模为一个独立的域，并旨在学习域独立的功能。简单的对抗性学习会产生负迁移，因此我们引入了一个条件向量来减轻这种不良影响。在我们的框架中，视觉样本所属的聚类的质心被用作我们的条件对抗网络的条件向量，其中向量是置换不变的（聚类排序无关紧要），其大小与聚类的数量无关。据我们所知，我们是第一个提出使用条件对抗网络进行无监督人员重新识别的人。我们在两种最先进的基于集群的无监督人员重新识别（re-ID）方法的基础上评估了所提出的架构。在四个不同的实验环境中使用三个不同的数据集，并在所有四个数据集上设置了新的最先进性能。我们的代码和模型将在https://team.inria.fr/perception/canu-reid/上公开。
2020-04-28 cs.CV
Transferable Joint Attribute-Identity Deep Learning for Unsupervised Person Re-Identification
Queen Mary University of London（伦敦玛丽女王大学）；Vision Semantics Ltd（视觉语义有限公司）
大多数现有的人员重新识别（re-id）方法需要从每个相机对的单独的大量成对标记的训练数据中进行监督模型学习。这大大限制了它们在现实世界的大规模部署中的可扩展性和可用性，需要在许多相机视图中执行re-id。为了解决这个可扩展性问题，我们开发了一种新的深度学习方法，用于将现有数据集的标记信息转移到一个新的看不见的（未标记的）目标域，用于人员re-id，而无需在目标域中进行任何监督学习。具体来说，我们引入了可转移联合属性-身份深度学习（TJ-AIDL），用于同时学习属性语义和身份判别特征表示空间，该空间可转移到任何新的（看不见的）目标域，用于重新识别任务，而不需要从目标域收集新的标记训练数据（即目标域中的无监督学习）。广泛的比较评估验证了这种新的TJ-AIDL模型在VIPeR，PRID，Market-1501和DukeMTMC-ReID等四个具有挑战性的基准上的无监督人员re-id的优越性。
2018-03-26 cs.CV
