联合可靠实例挖掘和特征优化的无监督行人重识别

针对无监督行人重识别方法的伪标签中包含大量噪声的问题,提出一种联合可靠实例挖掘和特征优化的行人重识别方法.首先设计一种衡量伪标签可靠度的指标,利用不同参数下DBSCAN聚类结果的稳定性衡量伪标签的质量;然后提出可靠实例挖掘策略进行伪标签去噪,伪标签可靠度大于预设阈值的实例保留其原伪标签,反之则修正其伪标签;再提出融合全局和局部特征的二重动量更新策略,每个batch对涉及的样本进行即时特征更新,每个epoch对存储字典中所有样本特征进行更新;最后利用统一对比损失对骨干神经网络进行训练优化.在2个大型公共数据集Market-1501和DukeMTMC-reID上的实验结果表明,mAP分别达到77.9%和67.4%,Rank-1分别达到90.2%和88.2%.