Unsupervised Person Re-identification mittels Multi-Label-Klassifikation

Die Herausforderung der unsupervisierten Personen-Identifikation (ReID) besteht darin, diskriminative Merkmale ohne echte Labels zu lernen. In diesem Artikel formulieren wir die unsupervisierte Personen-ReID als Aufgabe der Mehrfach-Klassifikation, um schrittweise die wahren Labels zu ermitteln. Unser Ansatz beginnt damit, jedem Personenbild ein einziges Klassenlabel zuzuweisen, und entwickelt sich dann zu einer Mehrfach-Klassifikation, indem er das aktualisierte ReID-Modell zur Vorhersage der Labels nutzt. Die Label-Vorhersage basiert auf der Berechnung von Ähnlichkeiten und der Zyklus-Konsistenz, um die Qualität der vorhergesagten Labels zu gewährleisten. Um die Trainingseffizienz des ReID-Modells bei der Mehrfach-Klassifikation zu steigern, schlagen wir zudem die memorybasierte Mehrfach-Klassifikationsverlustfunktion (MMCL) vor. MMCL arbeitet mit einem memorybasierten nicht-parametrischen Klassifikator und integriert die Mehrfach- und Einzel-Klassifikation in einem einheitlichen Rahmen. Unser Label-Vorhersageverfahren und die MMCL arbeiten iterativ zusammen und steigern die ReID-Leistung erheblich. Experimente an mehreren großen personen-ReID-Datensätzen belegen die Überlegenheit unseres Ansatzes bei der unsupervisierten Personen-Identifikation. Zudem ermöglicht unsere Methode die Nutzung von gelabelten Personenbildern aus anderen Domänen. Unter dieser Transfer-Learning-Instanz erreicht unser Verfahren ebenfalls eine state-of-the-art-Leistung.