要約
ラベル推定は、教師なし人物再識別（re-ID）システムにおいて重要な構成要素である。本論文では、特にクロスカメラのラベル推定に焦点を当て、これにより堅牢なre-IDモデルの学習に使用される特徴量学習が可能となる。具体的には、各カメラ内のサンプルに対してグラフを構築し、その後クロスカメラのラベル関連付けのためにグラフマッチング手法を導入する。しかし、既存のグラフマッチング手法から直接出力されるラベルは、显著なクロスカメラ変動により雑音が多く、正確でない場合がある。本論文では、このような問題に対処するために動的グラフマッチング（DGM）手法を提案する。DGMは中間的な推定ラベルを使用してより良い特徴空間を学習することで、画像グラフとラベル推定プロセスを反復的に更新する。DGMの優位性は以下の2点にある：1) 推定ラベルの精度が反復によって大幅に向上する；2) DGMは雑音のある初期トレーニングデータに対して堅牢である。大規模MARSデータセットを含む3つのベンチマークでの広範な実験結果から、DGMが完全教師あり基線と競合する性能を示し、他の教師なし学習手法よりも優れていることが確認された。