Apprentissage hybride contrastif guidé par les exemples difficiles pour la ré-identification non supervisée de personnes

L’identification de personnes non supervisée (Re-ID) constitue un problème de recherche prometteur mais extrêmement difficile en vision par ordinateur. L’apprentissage de caractéristiques robustes et discriminantes à partir de données non étiquetées est fondamental pour le Re-ID. Récemment, une attention croissante a été portée aux algorithmes de Re-ID non supervisés basés sur des pseudo-étiquettes issues de regroupement (clustering). Toutefois, les approches précédentes n’ont pas pleinement exploité l’information provenant des échantillons difficiles, se contentant d’utiliser simplement le centroïde des clusters ou tous les instanciations pour l’apprentissage contrastif. Dans ce travail, nous proposons une méthode appelée apprentissage contrastif hybride guidé par les échantillons difficiles (HHCL), combinant une perte au niveau du cluster et une perte au niveau de l’instance pour le Re-ID non supervisé. Notre approche applique une perte contrastive basée sur le centroïde du cluster afin d’assurer une mise à jour plus stable du réseau. Parallèlement, l’introduction d’une perte contrastive sur les instances difficiles permet d’extraire davantage d’informations discriminantes. Des expériences étendues sur deux benchmarks larges et populaires pour le Re-ID démontrent que notre méthode HHCL surpasser les approches état-de-l’art précédentes et améliore significativement les performances du Re-ID non supervisé. Le code de notre travail sera bientôt disponible à l’adresse suivante : https://github.com/bupt-ai-cz/HHCL-ReID.