Cluster-gesteuerte asymmetrische kontrastive Lernmethode für unsupervisierte Personenwiedererkennung

Unüberwachtes Personen-Identifikationsverfahren (Person Re-ID) zielt darauf ab, Fußgängerbilder aus verschiedenen Kamerasichten in einem unüberwachten Umfeld zu matchen. Bestehende Ansätze für unüberwachtes Personen-Identifikationsverfahren basieren in der Regel auf Pseudolabels, die aus Clustering-Verfahren stammen. Die Qualität des Clustering hängt jedoch stark von der Qualität der gelernten Merkmale ab, die in unüberwachten Szenarien überwiegend durch die Farbinformationen in den Bildern dominiert werden. In diesem Paper stellen wir einen neuen Ansatz namens Cluster-gesteuertes asymmetrisches kontrastives Lernen (Cluster-guided Asymmetric Contrastive Learning, CACL) für unüberwachtes Personen-Identifikationsverfahren vor, bei dem die Clusternstruktur innerhalb eines sorgfältig entworfenen asymmetrischen kontrastiven Lernrahmens zur Steuerung des Merkmalslernens genutzt wird. Genauer gesagt, schlagen wir eine neuartige contrastive Verlustfunktion auf Clusterebene vor, die dem Siamese-Netzwerk hilft, effektiv Invarianzen im Merkmalslernprozess hinsichtlich der Clusternstruktur innerhalb und zwischen verschiedenen Daten-Augmentierungsansichten zu erkennen. Umfassende Experimente an drei Standard-Datensätzen belegen die überlegene Leistung unseres Ansatzes.