摘要
无监督行人重识别（Re-ID）是计算机视觉领域一个极具前景且极具挑战性的研究课题。在无标签数据条件下学习鲁棒且具有区分性的特征，是实现Re-ID的核心任务。近年来，基于聚类伪标签的无监督Re-ID方法受到越来越多关注。然而，以往的方法未能充分挖掘难样本（hard samples）的信息，通常仅使用聚类中心或全部样本实例进行对比学习，限制了模型性能的进一步提升。为此，本文提出一种基于难样本引导的混合对比学习方法（Hard-sample Guided Hybrid Contrast Learning, HHCL），该方法结合了聚类级别损失与实例级别损失，用于无监督行人重识别。所提方法通过引入聚类中心对比损失，确保网络更新过程更加稳定；同时，通过引入难实例对比损失，进一步挖掘具有判别性的特征信息。在两个主流大规模Re-ID基准数据集上的大量实验表明，HHCL显著优于现有最先进方法，大幅提升了无监督行人重识别的性能。本工作的代码将于近期在 https://github.com/bupt-ai-cz/HHCL-ReID 公开。