基于软多标签学习的无监督人员再识别

尽管无监督行人重识别（RE-ID）因其潜在解决监督RE-ID模型的可扩展性问题而受到越来越多的研究关注，但在不同摄像机视图之间缺乏成对标签的情况下学习判别信息仍然非常具有挑战性。为了解决这一问题，我们提出了一种用于无监督RE-ID的深度软多标签学习模型。该方法的核心思想是通过将每个未标记的行人与辅助域中的一组已知参考行人进行比较（并表示），来学习每个未标记行人的一个软多标签（实值标签似然向量）。我们提出了基于软多标签引导的难负样本挖掘方法，通过探索未标记目标对的视觉特征和软多标签之间的相似性一致性，学习未标记目标域中的判别嵌入。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方法，以实现学习目标，即在不同的摄像机视图中软多标签具有一致的良好性能。为了实现高效的软多标签学习，我们引入了参考代理学习方法，在联合嵌入空间中用一个参考代理来表示每个参考行人。我们在Market-1501和DukeMTMC-reID数据集上评估了我们的统一深度模型。实验结果表明，我们的模型明显优于现有的最先进的无监督RE-ID方法。代码可在https://github.com/KovenYu/MAR获取。