تجميع التباين للتعريف بالشخص دون تدريب مراقب

تُدرّب الطرق الحديثة غير المُعلَّمة لـ Re-ID الشبكات العصبية باستخدام دالة خسارة Softmax غير بارامترية تعتمد على الذاكرة. يتم تعيين تسميات وهمية (Pseudo-labels) للمتجهات المميزة للInstances من خلال التجميع، وتُحدَّث هذه التسميات على مستوى كل Instance. ومع ذلك، فإن التباين في أحجام المجموعات يؤدي إلى عدم اتساق في تقدم التحديث لكل مجموعة. لحل هذه المشكلة، نقدّم تقنية Cluster Contrast التي تخزن المتجهات المميزة وتحسب خسارة التباين على مستوى المجموعة. تعتمد طريقةنا على تمثيل فريد لكل مجموعة، مما يُنتج قاموسًا ذاكرية على مستوى المجموعة. وبهذه الطريقة، يمكن الحفاظ على اتساق التجميع على مدار عملية المعالجة، وتقليل استهلاك ذاكرة وحدة معالجة الرسومات (GPU) بشكل كبير. وبذلك، تُعدّ طريقةنا قادرة على حل مشكلة عدم الاتساق في المجموعات، وقابلة للتطبيق على مجموعات بيانات أكبر. علاوةً على ذلك، نستخدم خوارزميات تجميع مختلفة لتأكيد متانة وإمكانية التعميم لهيكلنا. وعند تطبيق Cluster Contrast على نموذج قياسي لـ Re-ID غير المُعلَّم، تُظهر النتائج تحسينات ملحوظة بنسبة 9.9%، 8.3%، و12.1% مقارنة بالأساليب المُتطورة حديثًا لـ Re-ID غير المُعلَّمة، و5.5%، 4.8%، و4.4% في مقياس mAP مقارنة بالأساليب المتطورة لـ Re-ID التكيفي غير المُعلَّم على مجموعات بيانات Market، Duke، وMSMT17. يُمكن الاطلاع على الكود عبر الرابط: https://github.com/alibaba/cluster-contrast.