基于注意力的混合对比学习,用于无监督人员的重新识别和重新识别
Weihao Qin1,2, Yongxia Li3, Jianguang Zhang4
1Department of Mathematics and Computer Science, Hengshui University, Hengshui, 053000, China.
Scientific reports
|April 17, 2025
概括
这项研究引入了一种基于注意力的混合对比学习 (AHCL) 方法,以改善无监督人重新识别 (Re-ID). AHCL 增强了特征提取,从而显著提高了 Re-ID 准确性.
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:
- 无监督人员重新识别 (Re-ID) 方法通常依赖于来自集群的伪标签.
- 这些方法的性能受到学习特征的质量限制.
研究的目的:
- 为了增强特征提取,提高无监督Re-ID性能.
- 引入一种新的基于注意力的混合对比学习 (AHCL) 方法.
主要方法:
- 提出了一种注意力机制,将空间和道注意力结合起来,以便有效地学习特征.
- 引入了使用记忆字典的混合对比学习方法.
- 利用集群级和实例级的对比损失来实现稳定的网络更新和歧视性特征提取.
主要成果:
- 拟议的AHCL方法在三个大规模的Re-ID数据集上表现出卓越的性能.
- 与现有方法相比,显著提高了无监督人员重新识别的准确性.
结论:
- AHCL 方法有效地提高了特征表示质量.
- 注意力机制和混合对比学习的结合导致无监督人重新识别的最先进结果.
