基于相关性得分的伪标签优化行人重识别

无监督域自适应行人重识别旨在将源域训练的识别能力泛化到目标域上,以减少对标签的依赖.目前基于聚类方法的网络,聚类过程中不可避免地会受到环境噪声的影响,降低网络原有识别性能.为了解决这一问题,提出一种基于相关性得分的伪标签优化行人重识别网络.首先,通过计算全局与局部特征间前k个相似样本集合的相关性得分,找到两类特征直接可靠的关联性,从而提取已有伪标签优化方法所忽略的局部细粒度特征;然后,利用得分对局部伪标签进行优化处理,降低网络对与行人无关局部特征的关注;最后,依赖于相关性得分,利用优化后局部伪标签的预测结果对全局伪标签进行细化,缓解聚类过程中噪声的同时也细化了行人的特征完整表示.与近年无监督域自适应行人重识别方法相比,所提出网络在DukeMTMC-ReID、Market 1501和MSMT 17三个公开数据集上的实验结果表现优异,验证了所提出网络的有效性.

基于多示例学习的长文档检索

随着互联网信息的爆炸式增长,文档检索已经成为自然语言处理的热点问题。对于长文本检索,使用传统的基于词频的表示方法往往忽略了文本的语义信息,而使用嵌入模型进行文本表示,受输入长度的影响,长文本通常会被截断,此外,一些相似度计算方法会受到文本长度的影响。针对上述问题,提出将多示例学习框架用于文档检索中,以语义相对完整的句子为单位对文本进行切分,将文本表示成包,句子作为示例,通过示例之间的相关性来计算包之间的相关性得分,并将该得分与使用传统文档级检索即将整个文档作为一个单示例计算出的相似度得分相结合,从而检索出相关文档。在Med数据集上的实验结果表明,基于多示例的检索方法能在一定程度上提高文档检索的性能。