无监督行人重识别(Unsupervised Person Re-Identification,UPR)技术在安防工程和智慧城市等场景中得到广泛应用。然而,现有的很多UPR算法在特征提取上忽略了局部特征匹配和空间位置特征信息,在伪标签聚类过程中可能丢弃大量未聚类样本...无监督行人重识别(Unsupervised Person Re-Identification,UPR)技术在安防工程和智慧城市等场景中得到广泛应用。然而,现有的很多UPR算法在特征提取上忽略了局部特征匹配和空间位置特征信息,在伪标签聚类过程中可能丢弃大量未聚类样本。为克服上述缺点,文章提出基于局部特征匹配和混合对比学习的无监督行人重识别方法(LHFC):首先,针对网络不能提取不同空间位置特征信息的问题,在特征提取的骨干网络ResNet50中引入了自相似的非局域注意力机制(Non-local);针对局部特征不匹配的问题,设计了局部特征匹配模块(Aligned),在学习图像相似度的同时考虑了人体结构的匹配;最后,针对训练过程中丢弃未聚类样本从而导致提取特征不充分的问题,提出了聚类级与实例级混合存储器(HCL),以存储聚类级身份特征和离群点实例特征。为验证模型性能的有效性,在2个公开数据集(Market-1501、DukeMTMC-ReID)上与现有的12种无监督方法进行对比。同时,为探讨Non-local、Aligned、HCL对模型效果的影响,进行了消融实验。对比实验结果表明:LHFC方法在Market-1501、DukeMTMC-ReID数据集上的mAP指标分别达到了84.4%、71.5%,相对于12种对比方法中表现最好的CACL方法,指标分别提高了3.5%、1.9%。消融实验结果表明Non-local、Aligned、HCL可以提高指标精度:在ResNet50中引入Non-local有利于提取更多有用的行人特征信息,从而更好地标注局部特征之间的空间位置关系;Aligned模块可以有效融合相对应的人体结构信息;HCL可以减少训练后期伪标签带来的误差。展开更多
文摘无监督行人重识别(Unsupervised Person Re-Identification,UPR)技术在安防工程和智慧城市等场景中得到广泛应用。然而,现有的很多UPR算法在特征提取上忽略了局部特征匹配和空间位置特征信息,在伪标签聚类过程中可能丢弃大量未聚类样本。为克服上述缺点,文章提出基于局部特征匹配和混合对比学习的无监督行人重识别方法(LHFC):首先,针对网络不能提取不同空间位置特征信息的问题,在特征提取的骨干网络ResNet50中引入了自相似的非局域注意力机制(Non-local);针对局部特征不匹配的问题,设计了局部特征匹配模块(Aligned),在学习图像相似度的同时考虑了人体结构的匹配;最后,针对训练过程中丢弃未聚类样本从而导致提取特征不充分的问题,提出了聚类级与实例级混合存储器(HCL),以存储聚类级身份特征和离群点实例特征。为验证模型性能的有效性,在2个公开数据集(Market-1501、DukeMTMC-ReID)上与现有的12种无监督方法进行对比。同时,为探讨Non-local、Aligned、HCL对模型效果的影响,进行了消融实验。对比实验结果表明:LHFC方法在Market-1501、DukeMTMC-ReID数据集上的mAP指标分别达到了84.4%、71.5%,相对于12种对比方法中表现最好的CACL方法,指标分别提高了3.5%、1.9%。消融实验结果表明Non-local、Aligned、HCL可以提高指标精度:在ResNet50中引入Non-local有利于提取更多有用的行人特征信息,从而更好地标注局部特征之间的空间位置关系;Aligned模块可以有效融合相对应的人体结构信息;HCL可以减少训练后期伪标签带来的误差。
