开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第6天，点击查看活动详情

论文--[1] Yoonki Cho ,  Woo Jae Kim , Seunghoon Hong , et al. Part-based Pseudo Label Refinement for Unsupervised Person Re-identification[J]. CVPR, 2022.

摘要

无监督行人重识别(re-ID)旨在从无标签数据中学习检索人员的识别表征。最近的技术通过使用伪标签来完成这个任务，但是这些标签本身就有噪声，从而降低了准确性。为了克服这一问题，人们提出了几种伪标签细化方法，但它们忽略了对行人重识别至关重要的细粒度局部上下文。本文提出了一种基于局部特征的伪标签细化(PPLR)框架，该框架利用局部特征与局部特征之间的互补关系来降低标签噪声。具体来说，我们设计了一个交叉协议得分作为特征空间之间k近邻的相似度，以利用可靠的互补关系。在交叉协议的基础上，通过对局部特征的预测进行集成，提炼出全局特征的伪标签，共同缓解了全局特征聚类的噪声。根据给定标签对每个零件的适用性，应用标签平滑进一步细化零件特征的伪标签。由于交叉协议得分提供了可靠的互补信息，我们的PPLR有效地减少了噪声标签的影响，并学习了具有丰富局部上下文的区别表示。

贡献

提出了一个基于局部的伪标签细化框架，该框架在没有辅助网络的情况下以自集成的方式运行。

设计了一个交叉协议分数来捕获可靠的互补信息，该信息是通过全局特征和局部特征的k近邻之间的相似性来计算的。

背景

挑战：

1. 生成的伪标签固有噪声严重影响性能—提出鲁棒性聚类伪标签或者伪标签细化，需要很高的计算成本，并且只考虑了全局特征 2. 全局特征和局部特征之间的信息是否相互可靠

用嘈杂的标签学习。 噪声调整方法包括通过噪声矩阵的损失修正技术或基于给定标签可靠性的样本重加权方案来减少噪声标签的影响。（这些方法需要一定数量的干净标签来估计噪声程度）。平均绝对误差（MAE）损失理论上对噪声标签是鲁棒的，为了实现MAE的鲁棒性和更好的交叉熵损失的收敛性，提出了广义交叉熵(GCE)损失。后来提出了对称交叉熵(SCE)损失，通过反向交叉熵损耗提高了噪声耐受能力。

无监督行人重识别。 UDA—特征分布对齐，图像风格转换来数据集之间的域差距；UDA.UP—聚类分配伪标签，最近邻搜索，聚类代理的对比学习方案；伪标签噪声解决方案—SSL（使用附加信息如相机标签度量鲁棒相似性来软化伪标签），MMT,MEBNet利用辅助教师网络的预测，以相互学习的方式提炼伪标签,RLCC利用基于聚类一致矩阵的标签传播方案来降低噪声标签。

方法

实验

基线：ResNet50

数据集：Market-1501,MSMT17

结果：