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31天，点击查看活动详情

论文--[1] Yi Zheng, Shixiang Tang, Guolong Teng,el . Online Pseudo Label Generation by Hierarchical Cluster Dynamics for Adaptive Person Re-identification. In ICCV,2021.

摘要

自适应行人重识别(Adaptive ReID)的目标是将学习到的知识从标记的源域转移到未标记的目标域。基于伪标签的方法交替生成伪标签和优化训练模型在这一领域显示了巨大的有效性。然而，生成的伪标签不准确，不能反映未标记样本的真实语义。我们认为这种不准确性源于伪标签的滞后更新以及所采用的聚类方法过于简单。为了解决这一问题，我们提出了一种基于分层集群动态的自适应ReID在线伪标签生成方法。特别地，我们为数据集中的所有样本构建了分层标签库，并在每个小批中更新样本的伪标签，同时进行模型优化和标签生成。为标签更新构建了一个新的分层集群动态，其中集群merge和集群split由标签传播计算的可能性驱动。该方法可以获得较好的伪标记和较高的ReID精度。

贡献

 提出层次聚类动态的自适应在线伪标签生成方法。

 由标签传播引导的聚类拆分和聚类merge策略。

方法

图2。提出架构的说明。一个小批处理由相同数量的源图像(黄色)和目标图像(蓝色)组成。通过动量法提取特征，对特征库B进行更新。对于在线伪标签的生成，首先将提取的特征的标签分配为最近邻的标签，并尝试对包含新特征和最近邻特征(蓝色实心圆包围蓝色虚线圆)的聚类进行分割/merge。在每一层中采用拆分-merge序列实现分层标签细化。在顶级标签库中产生的伪标签被送入对比损失。

实验

输入的图片包括源域和目标域，源域有label目标域没有，通过网络F提取特征，采用DBSCAN进行目标域的聚类，在memorybank中存储源域每个类的类中心和目标域每个类的类中心，memorybank采用momentum更新，同时输入的minibatch采用作者提出的split-merge方法更新标签，最后计算对比损失：