弱监督行人重识别：可微图学习及一个新的基准数据集

人员重识别（Re-ID）从现有数据集（如CUHK03 [1]和Market-1501 [2]）的精确注释中获益良多，但这些注释的成本相当高，因为每个图像都需要分配一个合适的标签。在本研究中，我们通过用不精确注释替代精确注释来简化Re-ID的注释过程，即根据时间将图像分组为包，并为每个包分配一个包级标签。这大大减少了注释工作量，并促成了大规模Re-ID基准数据集SYSU-30$k$的创建。该新基准数据集包含30,000个个体，约为CUHK03（1,300个个体）的20倍和Market-1501（1,500个个体）的20倍，以及ImageNet（1,000个类别）的30倍。它总计包含29,606,918张图像。使用包级注释学习Re-ID模型被称为弱监督Re-ID问题。为了解决这一问题，我们引入了一个可微图形模型，以捕捉包内所有图像之间的依赖关系，并为每个人员图像生成可靠的伪标签。这些伪标签进一步用于监督Re-ID模型的学习。与完全监督的Re-ID模型相比，我们的方法在SYSU-30$k$和其他数据集上取得了最先进的性能。代码、数据集和预训练模型将在\url{https://github.com/wanggrun/SYSU-30k}提供。