摘要
无监督行人重识别（re-ID）旨在从未标注数据中学习具有判别性的表征以实现行人检索。近年来，相关技术通过引入伪标签（pseudo-labels）来实现该目标，但这些伪标签本身存在固有噪声，会降低模型的准确性。为应对这一问题，已有多种伪标签优化方法被提出，然而它们往往忽略了行人重识别任务中至关重要的细粒度局部上下文信息。为此，本文提出一种新颖的基于局部区域的伪标签优化框架——PPLR（Part-based Pseudo Label Refinement），通过利用全局特征与局部区域特征之间的互补关系来降低标签噪声。具体而言，我们设计了一种跨特征空间的“交叉一致得分”（cross agreement score），用于衡量不同特征空间中k近邻之间的相似性，从而挖掘出可靠的互补关系。基于该交叉一致得分，我们通过集成局部区域特征的预测结果来优化全局特征的伪标签，有效缓解了全局特征聚类中的噪声问题。进一步地，我们根据各局部区域对给定标签的适配程度，对局部特征的伪标签实施标签平滑（label smoothing）以实现更精细的优化。得益于交叉一致得分所提供的可靠互补信息，所提出的PPLR方法显著降低了噪声标签的影响，同时学习到富含局部上下文信息的判别性表征。在Market-1501和MSMT17两个公开数据集上的大量实验结果表明，该方法在性能上超越了当前最先进的技术。代码已开源，地址为：https://github.com/yoonkicho/PPLR。