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13天，点击查看活动详情

论文--Haoxuanye Ji,  Le Wang,  Sanping Zhou, el.at. Meta Pairwise Relationship Distillation for Unsupervised Person Re-identification[J].  In ICCV, 2021.

摘要

现有的方法通常依赖于通过迭代聚类和分类估计的伪标签，不幸的是，它们很容易因估计的聚类数不准确而导致性能下降。本文提出元成对关系蒸馏（MPRD）方法来估计无监督人员Re-ID的样本对的伪标签。具体而言，它由卷积神经网络（CNN）和图卷积网络（GCN）组成，其中GCN根据CNN提取的当前特征估计样本对的伪标签，CNN通过GCN施加的高保真正负样本对学习更好的特征。为了实现这一目标，使用少量标记样本来指导GCN训练，可以提取元知识来判断正负样本对之间邻域结构的差异。

贡献

解决错误估计集群数量的问题，避免噪声

将无监督区分性特征学习任务转化为一个成对关系估计问题，避免了现有方法中估计聚类数容易出错的步骤。

提出了无监督人员身份识别的MPRD方法，该方法在训练阶段采用专用的GCN作为成对伪标签生成器，并使用更好的CNN特征迭代细化其估计标签。

设计了一种基于成对邻域结构生成高保真伪标签的GCN结构

方法

给定一个未标记的数据集，其中xi表示第i个输入图像，N表示训练样本数，MPRD估计成对伪标签以进行特征学习。如图2所示，CNN学习由GCN生成的成对伪标签监督的鉴别特征；而GCN根据CNN特征估计成对伪标签。通过交替优化GCN和CNN，实际解决了这种相互依赖性。

实验

数据集：Market-1501,DukeMTMC-reID,MSMT17