Unüberwachte Person Re-Identifikation durch Soft-Multilabel-Lernen

Obwohl die unüberwachte Person-Wiedererkennung (RE-ID) aufgrund ihres Potenzials, das Skalierungsproblem überwachter RE-ID-Modelle zu lösen, zunehmend Forschungsinteresse findet, ist es sehr herausfordernd, diskriminierende Informationen im Fehlen von paarweisen Etiketten über getrennte Kameraansichten zu lernen. Um dieses Problem zu bewältigen, schlagen wir ein tiefes Modell für die sanfte Multietikett-Lernmethode (soft multilabel learning) in der unüberwachten RE-ID vor. Das Konzept besteht darin, durch den Vergleich (und die Darstellung) einer nicht etikettierten Person mit einem Satz bekannter Referenzpersonen aus einem Hilfsbereich ein sanftes Multietikett (reeller Wertebereich des Etikett-Wahrscheinlichkeitsvektors) für jede nicht etikettierte Person zu lernen. Wir schlagen ferner eine Methode zur sanften-Multietikett-gesteuerten Auswahl schwer negativer Beispiele (hard negative mining) vor, um eine diskriminierende Einbettung für das nicht etikettierte Zielbereich durch die Untersuchung der Ähnlichkeitskonsistenz der visuellen Merkmale und der sanften Multietiketten von nicht etikettierten Zielpaaren zu erlernen. Da die meisten Zieelpaare Paare aus verschiedenen Ansichten sind, entwickeln wir ein Lernverfahren zur konsistenten Kreuzansichtsanpassung von sanften Multietiketten, um das Lernziel zu erreichen, dass die sanften Multietiketten in verschiedenen Kameraansichten konsistent gut sind. Um eine effiziente sanfte Multietikett-Lernmethode zu ermöglichen, führen wir das Referenzagenten-Lernen ein, bei dem jeder Referenzperson durch einen Referenzagenten in einer gemeinsamen Einbettung dargestellt wird. Wir evaluieren unser integriertes tiefes Modell auf Market-1501 und DukeMTMC-reID. Unser Modell übertreffen die aktuellen Stand-of-the-Art-Methoden der unüberwachten RE-ID deutlich. Der Quellcode ist unter https://github.com/KovenYu/MAR verfügbar.