摘要
大多数无监督行人重识别（Re-ID）方法在生成伪标签时，仅通过度量特征相似性，而未考虑不同摄像头之间数据分布的差异性，导致跨摄像头伪标签计算的准确性下降。针对这一挑战，本文提出一种新颖的“相机内-相机间”相似性计算方法，用于伪标签生成。我们提出将样本相似性计算分为两个阶段：第一阶段为相机内相似性计算，直接利用CNN特征在单个摄像头内部进行相似性度量；基于不同摄像头生成的伪标签，在多分支网络中联合训练重识别模型。第二阶段则将每个样本在不同摄像头上的分类得分视为一个新的特征向量，该新特征能有效缓解不同摄像头之间的分布差异，从而生成更加可靠的伪标签。因此，我们采用两阶段策略，分别利用相机内和相机间的伪标签来训练重识别模型。这种简洁而有效的“相机内-相机间”相似性方法在多个数据集上均取得了令人惊喜的性能表现，例如在Market1501数据集上达到了89.5%的Rank-1准确率，显著优于当前主流无监督方法（提升超过9%），并可与依赖额外标注的最新迁移学习方法相媲美。