La ré-identification non supervisée d'une personne (ré-ID) vise à apprendre des représentations discriminantes pour la récupération d'une personne à partir de données non étiquetées. Des techniques récentes accomplissent cette tâche en utilisant des pseudo-étiquettes, mais ces étiquettes sont intrinsèquement bruyantes et réduisent la précision. Pour surmonter ce problème, plusieurs méthodes de raffinement de pseudo-étiquettes ont été proposées, mais elles ignorent les informations contextuelles locales fines qui sont cruciales pour la ré-identification des piétons.
contenu de la recherche
À cette fin, cet article propose un nouveau cadre de raffinement de pseudo-étiquettes (PPLR) basé sur les parties pour réduire le bruit des étiquettes en exploitant la relation complémentaire entre les caractéristiques globales et partielles. Plus précisément, un score d'accord croisé, c'est-à-dire la similitude des k plus proches voisins entre les espaces de caractéristiques, est conçu pour exploiter leur complémentarité fiable. Sur la base du protocole croisé, les pseudo-étiquettes des caractéristiques globales sont affinées en agrégeant les prédictions des caractéristiques partielles pour atténuer conjointement le bruit du regroupement des caractéristiques globales. Les pseudo-étiquettes pour les caractéristiques de pièce sont encore affinées en appliquant un lissage d'étiquette en fonction de l'applicabilité d'une étiquette donnée à chaque pièce. Étant donné que le score d'accord croisé fournit des informations supplémentaires fiables, PPLR réduit efficacement l'impact des étiquettes bruitées et apprend une représentation discriminante avec un contexte local riche.
Innovation
Cet article propose un cadre de raffinement de pseudo-étiquette basé sur les parties qui fonctionne de manière auto-intégrante sans réseau auxiliaire. Il s'agit du premier travail à gérer le bruit des étiquettes avec des informations partielles sur les caractéristiques pour la ré-identification des personnes.
Dans cet article, nous concevons un score de cohérence croisée pour capturer des informations complémentaires fiables, qui sont calculées par la similarité entre les k plus proches voisins des caractéristiques globales et des caractéristiques locales. <
Je suppose que tu aimes
Origine blog.csdn.net/u013308709/article/details/131540159