文档摘要：无监督行人重识别旨在不需要行人身份标签的情况下,将查询的行人图像与候选集中的行人图像相匹配.目前主流的无监督行人重识别方法通常先利用聚类算法生成伪标签,然后利用伪标签训练深度神经网络.然而由于模型初始表征能力不足和聚类算法的局限性等,伪标签中会引入大量噪声,严重误导模型优化过程,导致模型性能退化.为了减轻伪标签噪声的影响,本文提出了一种新的伪标签正则化损失函数,用伪标签的置信度分数和样本相似度对伪标签噪声进行约束.具体来说,本文首先提出了一种聚类引导的注意力机制,根据伪标签与聚类中心的语义相关程度来估计伪标签的置信度,以此来识别噪声标签并给正确标签分配更多的权重,有效降低伪标签噪声在总体损失函数中的作用.同时,为了充分利用伪标签的判别能力,本文利用伪标签进行在线软样本挖掘,构建mini-batch中的正负样本对并为每个正负样本对计算一个连续的权重分数.通过将以上两种权重引入到对比损失中,本文提出的伪标签正则化损失函数可以有效抑制伪标签噪声的影响,减轻标签噪声对训练过程的影响,提高模型的准确性和鲁棒性.在多个公开行人数据集上的实验结果验证了本文方法的有效性,在Market1501、DukeMTMC-reID和MSMT17数据集上mAP分别达到了85.9%、75.1%和29.3%.
Abstract：Unsupervisedpersonre-identificationaimstomatchquerypedestrianimageswithimagesinthegallerywithouttheneedforidentitylabels.Currently,mainstreamunsupervisedpersonre-identificationmethodstypicallyutilizeclusteringalgorithmstogeneratepseudo-labels,whicharesubsequentlyexploitedtotraindeepneuralnetworks.However,duetothemodel'sinferiorrepresentationabilityatearlystagesandthelimitationsoftheclusteringalgorithms,avastofnoiseisinevitablyintroducedintothepseudo-labels,whichseriouslymisleadsthetrainingprocessandimpedesthemodelperformance.Inthispaper,weproposeanovelpseudo-labelregularizationloss(PLRL)toremedythedetrimentaleffectofpseudo-labelnoises.Concretely,firstly,thispaperproposesaclustering-guidedattentionmechanism(CGA)toestimatetheconfidenceofpseudo-labelsbasedonthesemanticrelevancebetweenpseudo-labelsandclusteringcenters.TheCGAscoreisabletoidentifynoisylabelsandassignmoreweighttocorrectlabels,whicheffectivelyreducestheinfluenceofpseudo-la-belnoiseintheoveralllossfunction.Meanwhile,forthesakeoffullyutilizingthediscriminativepowerofpseudo-labels,thispaperperformssoftsampleminingusingpseudo-labels,whichconstructspositiveandnegativesamplepairsinmini-batchesandcalculatesacontinuousweightscoreforeachpair.Byincorporatingtheconfidenceofpseudo-labelsandthesimilarityofsamplesintothecontrastiveloss,thenewlydesignedpseudo-labelregularizationlosscaneffectivelyalleviatetheinfluenceofpseudo-labelnoiseinthetrainingprocess,therebyimprovingtheaccuracyandrobustnessofthemodel.Ex-perimentsandablationstudiesonmultiplepublicdatasetsdemonstrateitseffectivenessandsuperiority,withthemAPonMarket1501,DukeMTMC-reID,andMSMT17datasetsreaching85.9%,75.1%,and29.3%,respectively.
作者：贾洁茹 张硕蕊 钱宇华 阮秋琦 Author：JIAJie-ru ZHANGShuo-rui QIANYu-hua RUANQiu-qi
作者单位：山西大学大数据科学与产业研究院,山西太原030006;山西大学计算机与信息技术学院,山西太原030006;山西省机器视觉与数据挖掘工程研究中心,山西太原030006北京交通大学信息科学研究所,北京100044
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2024, 52(5)
分类号：TP391.41
关键词：行人重识别 无监督学习 伪标签噪声 对比学习 聚类优化
Keywords：personre-identification unsupervisedlearning pseudolabelnoise contrastivelearning clusteringre-finement
机标分类号：TP391TP18TN912.34
在线出版日期：2024年7月22日
基金项目：基于伪标签正则化损失的无监督行人重识别[
期刊论文] 电子学报--2024, 52(5)贾洁茹 张硕蕊 钱宇华 阮秋琦无监督行人重识别旨在不需要行人身份标签的情况下,将查询的行人图像与候选集中的行人图像相匹配.目前主流的无监督行人重识别方法通常先利用聚类算法生成伪标签,然后利用伪标签训练深度神经网络.然而由于模型初始表征能...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：行人重识别,无监督学习,伪标签噪声,对比学习,聚类优化,
- 文件大小:
- 5.05 MB
- 下载次数:
- 60
-
高速下载
|
|
1
