ICE: Inter-Instance-Kontrastive Kodierung für unüberwachtes Personen-Re-Identifikation

Unüberwachtes Personen-Identifikationsverfahren (Person ReID) zielt darauf ab, diskriminative Identitätsmerkmale ohne Annotationsdaten zu lernen. In letzter Zeit hat sich die selbstüberwachte kontrastive Lernmethode aufgrund ihrer Wirksamkeit im Bereich des unüberwachten Repräsentationslernens zunehmender Aufmerksamkeit erfreut. Der zentrale Ansatz der Instanz-kontrastiven Lernmethode besteht darin, dieselbe Instanz in verschiedenen augmentierten Ansichten zuzuordnen. In früheren kontrastiven Ansätzen wurde jedoch die Beziehung zwischen verschiedenen Instanzen, insbesondere im Kontext der instanzbasierten kontrastiven Verlustfunktion, noch nicht ausreichend erforscht. Um dieses Problem anzugehen, schlagen wir Inter-Instanz-Kontrastive Kodierung (ICE) vor, die Paarweises Ähnlichkeitsmaße zwischen Instanzen nutzt, um bestehende klassenbasierte kontrastive ReID-Methoden zu verbessern. Zunächst verwenden wir die Rangfolge der Paarweisen Ähnlichkeiten als ein-Hot-Hard-Pseudolabels für die harte Instanzkontrastierung, um die intra-Klassen-Variabilität zu verringern. Anschließend nutzen wir die Ähnlichkeitswerte als weiche Pseudolabels, um die Konsistenz zwischen augmentierten und ursprünglichen Ansichten zu stärken, wodurch unser Modell robuster gegenüber Augmentierungsstörungen wird. Experimente an mehreren großen personenbasierten ReID-Datensätzen bestätigen die Wirksamkeit unseres vorgeschlagenen unüberwachten Ansatzes ICE, der sogar mit überwachten Methoden konkurrieren kann. Der Quellcode ist unter https://github.com/chenhao2345/ICE verfügbar.