要約
非監督人物再識別（ReID）は、監督ラベルなしでクエリ画像の歩行者をギャラリーセットの画像とマッチングすることを目指しています。非監督人物ReIDの最も一般的なアプローチは、まずクラスタリングアルゴリズムを実行して疑似ラベルを生成し、その後これらの疑似ラベルを使用して深層ニューラルネットワークを訓練することです。しかし、これらの疑似ラベルはノイジーであり、クラスタリングアルゴリズムのハイパーパラメータに敏感です。本論文では、インスタンスレベルとクラスターレベルのコントラスティブ損失関数を組み合わせたハイブリッドコントラスティブ学習（HCL）アプローチを提案します。さらに、多粒度クラスタリングアンサンブルに基づくハイブリッドコントラスティブ学習（MGCE-HCL）アプローチも提示します。このアプローチは、多粒度クラスタリングアンサンブル戦略を採用して疑似正例ペア間の優先情報を探り出し、疑似正例内のノイズへの耐性を高めるために優先重み付きハイブリッドコントラスティブ損失を定義します。我々はMarket-1501およびDukeMTMC-reIDという2つのベンチマークデータセットで広範な実験を行いました。実験結果は、我々の提案手法の有効性を証明しています。