Unsupervised Person Re-identification by Soft Multilabel Learning
1.2019年CVPR的oral,中山大学郑伟诗教授计算机视觉小组联合腾讯优图。论文链接:
https://arxiv.org/pdf/1903.06325.pdf源码链接:
https://github.com/KovenYu/MAR2.背景
解决的问题:在无监督中,缺少成对的标签图片;Re-ID是跨摄像头下的匹配,针对不同的视角相机,无监督问题缺少成对的标签图片。无监督是解决跨域的一个突破方向。因为使用有监督的学习再迁移到其他域上效果很差,因此用无监督/半监督/弱监督来解决跨域问题的性能。
现有的研究:给无标签的目标域数据打伪标签,但是伪标签不适合onehot这种硬性指标,可能打的伪标签不正确反而影响性能,并且伪标签学习只关注了视觉特征的相似性,没有参考其他的辅助信息。3.本文的解决思路引入辅助数据集挖掘无标签样本的潜在标签信息,将目标域无标签人物身份表示为一组额外数据集中已知标签人物的相似度,这个相似度是多维的,故称为软多标签;已知标签的辅助数据集(类似源域)的人称为参考人物;利用外观特征与软多标签之间的一致性(来自同一个人的两个无标签图片应该有相近的软多标签)进行困难负样本挖掘;Re-ID是跨摄像头的问题,故引入约束来保持软多标签在不同的视角相机下的一致性;引入参考代理学习来将每一个代理人在联合嵌入中表示为一个参考代理。利用学习到的Soft Multilabel Learning挖掘无标签的图片的潜在标签信息,提出multilabel reference learning(MAR),包括soft multilabel-guided hard negative mining, cross-view consistent soft multilabel learning, reference agent learning,相互协作来挖掘潜在的标签信息。4.本文方法详细介绍