초록
비지도 사람 재식별(ReID)은 감독 라벨 없이 쿼리 이미지와 갤러리 세트의 이미지를 일치시키는 것을 목표로 합니다. 비지도 사람 ReID를 해결하기 위한 가장 일반적인 접근 방식은 먼저 클러스터링 알고리즘을 수행하여 의사 라벨을 생성한 후, 이 의사 라벨을 이용하여 딥 신경망을 학습하는 것입니다. 그러나, 이러한 의사 라벨은 노이즈가 많고 클러스터링 알고리즘의 하이퍼파라미터에 민감합니다. 본 논문에서는 인스턴스 수준과 클러스터 수준의 대조 손실 함수를 결합한 하이브리드 대조 학습(Hybrid Contrastive Learning, HCL) 방법을 제안합니다. 또한, 다중 세분화 클러스터링 앙상블 기반 하이브리드 대조 학습(Multi-Granularity Clustering Ensemble based Hybrid Contrastive Learning, MGCE-HCL) 방법을 소개하는데, 이 방법은 다중 세분화 클러스터링 앙상블 전략을 채택하여 의사 양성 샘플 쌍들 사이에서 우선 정보를 추출하고, 이를 바탕으로 우선 가중 하이브리드 대조 손실 함수를 정의하여 의사 양성 샘플의 노이즈에 대해 더 잘 견디도록 설계되었습니다. 우리는 Market-1501 및 DukeMTMC-reID 두 벤치마크 데이터셋에서 광범위한 실험을 수행했습니다. 실험 결과는 우리의 제안된 방법들의 유효성을 검증하였습니다.