重新思考无监督行人重识别中的采样策略

无监督行人重识别（re-ID）仍然是一个具有挑战性的任务。尽管已有大量研究聚焦于框架设计与损失函数的优化，本文表明，采样策略同样发挥着至关重要的作用。我们分析了在相同框架与损失函数下，不同采样策略导致性能差异的根本原因。研究发现，模型过拟合的加剧是造成性能下降的重要因素，而提升统计稳定性可有效缓解这一问题。受此启发，本文提出一种简单而高效的方法——分组采样（group sampling），该方法将同一类别的样本聚集为组，并基于归一化的组样本进行模型训练，从而减轻单一样本带来的负面影响。分组采样通过确保样本更高效地被正确分类，优化了伪标签生成的流程；同时，它对表征学习过程进行调控，以渐进式方式提升特征表示的统计稳定性。在Market-1501、DukeMTMC-reID和MSMT17三个主流数据集上的大量实验表明，所提方法在性能上可与当前最先进方法相媲美，并在完全无相机依赖（camera-agnostic）的设置下显著优于现有技术。代码已公开，获取地址为：https://github.com/ucas-vg/GroupSampling。