Part-based Pseudo Label Refinement for Unsupervised Person Re-identification

论文
代码

研究背景

• 无监督行人重识别（re-ID）旨在从未标记的数据中学习用于行人检索的判别表示。最近的技术通过使用伪标签来完成这项任务，但这些标签固有地具有噪声并降低了准确性。为了克服这个问题，已经提出了几种伪标签细化方法，但它们忽略了对行人重新标识至关重要的细粒度局部上下文信息。

研究内容

• 为此，本文提出了一个新的基于部分的伪标签精炼（PPLR）框架，通过采用全局和部分特征之间的互补关系来减少标签噪声。具体来说，设计了一个交叉协议得分，即特征空间之间的k-近邻的相似度，以利用其可靠的互补关系。基于交叉协议，通过集合部分特征的预测来完善全局特征的伪标签，从而共同减轻全局特征聚类的噪声。根据给定标签对每个部分的适用性，通过应用标签平滑来进一步完善部分特征的伪标签。由于交叉协议得分提供了可靠的补充信息，PPLR有效地减少了噪声标签的影响，并学习了具有丰富的局部背景的判别性表示。

创新点

• 本文提出了一种基于部分的伪标签精化框架，该框架在没有辅助网络的情况下以自集成方式运行。这是第一个利用部分特征信息处理标签噪音的工作，用于行人重识别。
• 本文设计了一个交叉一致性得分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个最近邻居之间的相似性来计算的。<