基于混合对比学习的无监督行人重识别

作者：杨磊; 谢明鸿^*; 张亚飞; 李凡; 李华锋

来源：昆明理工大学学报(自然科学版), 2023, 48(06): 39-53.

DOI：10.16112/j.cnki.53-1223/n.2023.06.332

• 无监督行人重识别
• 对比学习
• 伪标签修正
• 全局特征
• 局部特征

无监督行人重识别旨在从未标记数据集中学习用于行人检索的判别性特征表示.以往基于聚类及伪标签修正的无监督行人重识别算法在伪标签修正过程中忽略了全局特征和局部特征之间的关系，并且为了保证伪标签质量而简单的放弃未聚类样本，这些问题限制了模型的识别性能.为此，提出一种基于混合对比学习的无监督行人重识别方法.通过渐进特征补偿模块生成多尺度局部特征，以改善单尺度全局特征表示能力不足的问题.为了得到可靠的伪标签，提出基于多尺度特征的伪标签修正策略，通过约束全局特征和局部特征之间的一致性提高伪标签的质量.此外，为了更加充分地利用未聚类样本，构建了多尺度混合存储器，以存储多尺度的聚类级身份特征和未聚类实例特征，为身份级和实例级的混合对比学习提供充足的负样本.实验结果表明，在数据集Market-1501、DukeMTMC-ReID、MSMT17上本文所提方法明显优于当前主流的无监督行人重识别方法，与基于对比学习的先进算法GRACL相比，在三个数据集上mAP指标分别提高了2.6%、3.0%、6.3%.

• 单位
  昆明理工大学; 自动化学院