半监督学习与异质分布一致性可见红外人重新识别

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 可见红外人重新识别 (VI-ReID) 面临挑战,因为可见和红外相机之间的模式差距很大.
• 完全监督的方法需要大量的标记数据,这在现实世界中通常是不可用的,尤其是在夜间.
• 有限的已知身份和显著的模式差异阻碍了模型的有效性.

研究的目的:

• 为VI-ReID提出一个新的半监督学习 (SSL) 框架.
• 为了应对VI-ReID中有限的标记数据和模式差异的挑战.
• 提高VI-ReID系统在现实世界,低标签场景中的性能.

主要方法:

• 引入了一个半监督学习框架,具有异质分布一致性 (HDC-SSL).
• 开发了一种基于高斯混合模型的伪标记 (GMM-PL) 方法,以根据信心分布自适应地标记身份.
• 拟议的模式一致性规范化 (MCR),以确保跨模式预测的一致性,并处理未标记数据的模式差异.

主要成果:

• 通过对两个VI-ReID数据集进行广泛的实验,以不同的标签设置来证明HDC-SSL的有效性.
• 与最先进的完全监督的VI-ReID方法相比,取得了竞争性表现.
• 在每类只使用一个可见标签和一个红外标签的RegDB数据集上展示了显著的结果.

结论:

• 拟议的HDC-SSL框架有效地解决了传统VI-ReID方法的局限性.
• GMM-PL和MCR组件显著提高了未标记数据的利用率,并处理模式差异.
• HDC-SSL为缺乏标记数据的实用VI-ReID应用提供了一个有前途的解决方案.