Raffinement des étiquettes pseudo-partielles basées sur les parties pour la ré-identification non supervisée de personnes

L’identification non supervisée de personnes (re-ID) vise à apprendre des représentations discriminatives pour la recherche de personnes à partir de données non étiquetées. Les méthodes récentes parviennent à cet objectif en utilisant des pseudo-étiquettes, mais celles-ci sont intrinsèquement bruitées et entraînent une dégradation de la précision. Pour surmonter ce problème, plusieurs méthodes de raffinement des pseudo-étiquettes ont été proposées, mais elles négligent le contexte local fin essentiel à l’identification de personnes. Dans cet article, nous proposons un cadre novateur de raffinement des pseudo-étiquettes basé sur les parties (Part-based Pseudo Label Refinement, PPLR), qui réduit le bruit d’étiquetage en exploitant la relation complémentaire entre les caractéristiques globales et les caractéristiques locales. Plus précisément, nous introduisons un score d’accord croisé, défini comme la similarité des k plus proches voisins entre les espaces de caractéristiques, afin d’exploiter efficacement cette relation complémentaire fiable. Sur la base de ce score d’accord croisé, nous raffinons les pseudo-étiquettes des caractéristiques globales en combinant les prédictions des caractéristiques partielles, ce qui permet de réduire collectivement le bruit dans le regroupement des caractéristiques globales. Nous améliorons également le raffinement des pseudo-étiquettes des caractéristiques partielles en appliquant un lissage des étiquettes selon la pertinence de chaque étiquette par rapport à chaque partie. Grâce à l’information complémentaire fiable fournie par le score d’accord croisé, notre méthode PPLR réduit efficacement l’impact des étiquettes bruyantes et apprend des représentations discriminatives riches en contexte local. Des résultats expérimentaux étendus sur les bases Market-1501 et MSMT17 démontrent l’efficacité de la méthode proposée, surpassant les performances actuelles de l’état de l’art. Le code est disponible à l’adresse suivante : https://github.com/yoonkicho/PPLR.