不对称的双重网络 无监督人员的相互教学 重新识别 重新识别
Miaohui Zhang1, Kaifang Li1, Jianxin Ma1
1School of Artificial Intelligence, Henan University, Zhengzhou 450046, China.
概括
本研究介绍了非对称双网络相互教学 (ADNMT) 用于无监督人员重新识别 (Re-ID). 该方法通过使用两个网络来增强伪标签优化,并解决相机变异以提高准确性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 无监督人员重新识别 (Re-ID) 是一项具有挑战性的计算机视觉任务.
- 现有的方法往往依赖于单个网络伪标签优化,这容易引起噪音的标签和功能变化从摄像机转移.
研究的目的:
- 为强大的无监督人重新识别提出一种新的非对称双网络互教 (ADNMT) 架构.
- 通过利用两个不对称网络之间的相互教学来改善伪标签的生成和优化.
主要方法:
- 实现了一个ADNMT架构,有两个不对称的网络:一个多颗粒度网络和一个传统的骨干网络.
- 利用了相互聚类和替代训练来进行伪标签优化.
- 引入了相机间相似性补偿 (SCIC) 和相机内部相似性抑制 (SSIC),以减轻相机风格变化.
主要成果:
- 拟议的ADNMT方法在多个Re-ID基准数据集上表现出卓越的性能.
- 这种方法有效地解决了噪音高的标签和相机功能的变化所带来的挑战.
- 在无监督的人重新识别方面取得了最先进的结果.
结论:
- 通过提高伪标签质量和概括性,ADNMT为无监督人员重新识别提供了更有效的方法.
- 开发的处理相机变化的技术显著提高了模型的强度.
- 该方法为未来的人重新识别研究提供了一个有希望的方向.
