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7天，点击查看活动详情

论文--Zhang X ,  Li D ,  Wang Z , et al. Implicit Sample Extension for Unsupervised Person Re-Identification[J]. In CVPR, 2022.

摘要

大多数现有的无监督人员再识别（ReID）方法使用聚类来生成用于模型训练的伪标签。不幸的是，聚类有时会将不同的真实身份混合在一起，或者将同一身份拆分为两个或多个子聚类。对这些噪声簇的训练实质上阻碍了Re ID的准确性。由于每个身份中的样本有限，假设可能缺少一些底层信息来很好地揭示准确的聚类。为了发现这些信息，提出了一种隐式样本扩展（ISE）方法，在集群边界周围生成所称的支持样本。具体而言，通过渐进线性插值（PLI）策略从嵌入空间中的实际样本及其相邻簇生成支持样本。PLI通过两个关键因素控制生成，即：1）从实际样本到其K最近聚类的方向，以及2）混合K最近聚类中的上下文信息的程度。同时，在给定支持样本的情况下，ISE进一步使用标签保留损失将它们拉向相应的实际样本，从而压缩每个聚类。因此，ISE减少了“sub and mixed”聚类错误，从而提高了Re-ID性能。

贡献

提出了一种新的隐式样本扩展（ISE）方法用于USL人员Re-ID。ISE生成的支持样本提供了补充信息，可以很好地处理子聚类和混合聚类错误问题；

提出了一种新的渐进线性插值（PLI）策略和用于支持样本生成的标签保持对比损失（LP）

方法

图：（a）整体隐式样本扩展管道（ISE）的概述和（b）渐进线性插值（PLI）策略的细节。对于特定的样本特征f，应用PLI生成支持样本f，该支持样本用于优化样本扩展损失LSE和标签保留损失LLP的模型。

通过线性插值操作生成f对应的支持样本~f

方向： 相邻簇更有可能具有错误分类的样本。因此，目标是生成分布在两个相似聚类之间的支持样本。首先基于余弦相似度找到f的K近邻聚类，余弦相似点是用f和整个内存库M计算的。然后，将支持样本的方向建立为从f的簇质心c到K-最近的向量。这里，将K=1作为示例，并将1最近的簇质心表示为c∗.

程度： 决定了支持样本中应该包含多少相邻簇的信息。太大的λ会使支持样本远离其原始聚类，从而误导模型训练。太小的λ会产生几乎无用的支持样本，因为它们与原始样本相似。因此，对λ进行渐进式更新，随着训练的进行，逐渐涉及更多的上下文信息。具体而言，将λ设置为训练迭代的变量，该变量随训练的进行而对数增加：

实验

数据集：Market1501,MSMT17

解读

基本上的行人重识别源码都是使用pytorch实现，本篇文章的源码使用百度的PaddlePaddle框架实现。