无监督预训练在行人重识别中的应用

本文提出一个大规模无标注行人重识别（Re-ID）数据集“LUPerson”，并首次尝试通过无监督预训练来提升所学习行人Re-ID特征表示的泛化能力。这一工作旨在解决现有行人Re-ID数据集普遍规模有限的问题，其根源在于数据标注所需的人力成本极高。以往研究多借助在ImageNet上预训练的模型来缓解Re-ID数据不足的问题，但受限于ImageNet与行人Re-ID数据之间存在的显著域差异（domain gap），效果有限。LUPerson是一个包含超过20万身份、共计400万张图像的无标注数据集，其规模是现有最大Re-ID数据集的30倍，同时涵盖了更加多样的采集环境（如不同摄像头设置、场景类型等）。基于该数据集，我们从数据增强和对比损失（contrastive loss）两个角度，系统性地探究了学习高质量Re-ID特征的关键因素。在该大规模数据集上进行的无监督预训练，有效构建了一种通用性强的Re-ID特征表示，可显著提升各类现有行人Re-ID方法的性能。在多个基础模型框架中引入我们预训练的模型后，所提方法在四个广泛使用的Re-ID数据集（CUHK03、Market1501、DukeMTMC和MSMT17）上均取得了无需额外技巧（no bells and whistles）的当前最优结果。此外，实验结果表明，该方法在小规模目标数据集或少样本（few-shot）设置下的性能提升尤为显著。