摘要
无监督行人重识别（ReID）的核心挑战在于：在缺乏真实标签的情况下学习具有判别性的特征。本文将无监督行人ReID问题建模为一个多标签分类任务，通过逐步挖掘真实标签来提升模型性能。我们的方法首先为每张行人图像分配一个单标签，随后利用更新后的ReID模型进行标签预测，逐步演进为多标签分类。该标签预测过程结合了相似性计算与循环一致性机制，以保障预测标签的质量。为提升多标签分类场景下ReID模型的训练效率，我们进一步提出了一种基于记忆的多标签分类损失函数（Memory-based Multi-label Classification Loss, MMCL）。MMCL与基于记忆的非参数分类器协同工作，统一整合了多标签分类与单标签分类任务，在同一框架内实现高效学习。我们的标签预测机制与MMCL通过迭代优化，显著提升了ReID性能。在多个大规模行人ReID数据集上的实验结果表明，所提方法在无监督行人重识别任务中具有显著优势。此外，该方法还支持在其他领域使用带标签的行人图像，实现跨域迁移学习，在此设定下同样取得了当前最优的性能表现。