비지도 학습을 통한 소프트 멀티레이블 기반 사람 재식별

비지도 사람 재식별(RE-ID)은 감독된 RE-ID 모델의 확장성 문제를 해결할 잠재력을 가지고 있어 점점 더 많은 연구 관심을 받고 있지만, 분리된 카메라 뷰 간에 쌍별 라벨이 없는 상황에서 차별화된 정보를 학습하는 것은 매우 어려운 문제입니다. 이 문제를 해결하기 위해 우리는 비지도 RE-ID를 위한 소프트 멀티레이블 학습을 위한 깊은 모델을 제안합니다. 이 아이디어는 보조 도메인에서 알려진 참조 사람들의 집합과 비교(및 표현)하여 각 비라벨 사람에게 소프트 멀티레이블(실수 값 라벨 가능도 벡터)을 학습하는 것입니다. 우리는 시각적 특징과 비라벨 대상 쌍의 소프트 멀티레이블의 유사성 일관성을 탐색하여 비라벨 대상 도메인에 대한 차별화된 임베딩을 학습하기 위한 소프트 멀티레이블 안내 하드 네거티브 마이닝을 제안합니다. 대부분의 대상 쌍이 다른 뷰 간의 쌍이기 때문에, 우리는 서로 다른 카메라 뷰 간에 소프트 멀티레이블이 일관되게 우수하도록 하는 학습 목표를 달성하기 위해 크로스뷰 일관성 있는 소프트 멀티레이블 학습을 개발했습니다. 효율적인 소프트 멀티레이블 학습을 가능하게 하기 위해, 우리는 공동 임베딩에서 각 참조 사람을 참조 에이전트로 표현하는 참조 에이전트 학습을 소개합니다. 우리는 Market-1501과 DukeMTMC-reID 데이터셋에서 우리의 통합된 깊은 모델을 평가했습니다. 우리의 모델은 명확한 마진으로 최신 비지도 RE-ID 방법들을 능가하였습니다. 코드는 https://github.com/KovenYu/MAR에서 제공됩니다.