学习笔记：Implicit Sample Extension for Unsupervised Person Re-Identification

摘要：大多数现有的无监督人员重新识别（ReID）方法使用聚类来生成用于模型训练的伪标签。遗憾的是，聚类有时会将不同的真实身份混合在一起，或者将同一身份拆分为两个或多个子聚类。在这些嘈杂的集群上进行训练会严重阻碍 Re-ID 的准确性。由于每个恒等式中的样本有限，我们假设可能缺少一些基础信息来很好地揭示准确的聚类。为了发现这些信息，我们提出了一种隐式样本扩展（ISE）方法来生成我们称之为集群边界的支持样本。具体来说，我们通过渐进线性插值（PLI）策略从嵌入空间中的实际样本及其相邻簇生成支持样本。PLI通过两个关键因素控制生成，即1）从实际样本到其K最近集群的方向和2）混合来自K最近集群的背景信息的程度。同时，给定支持样本，ISE进一步使用标签保留损失将它们拉向相应的实际样本，从而压缩每个簇。因此，ISE减少了“子和混合”聚类错误，从而提高了重新识别性能。大量实验表明，所提方法在无监督人员重新识别方面是有效的，并且实现了最先进的性能。

总体模型:

概述(a)整体隐式样本扩展管道(ISE)和(b)渐进式线性插值(PLI)策略的详细信息。对于特定的样本特征f，我们应用PLI生成支持样本，用于优化样本扩展损失LSE和标签保留损失LLP的模型。在生成过程中，PLI以K-最近团簇质心c∗为生成方向，并采用渐进更新的λ来控制生成度。

PLI模型：

给定一个样本特征f，通过线性插值运算生成其对应的支持样本,其中∆f控制方向，λ控制度数，这是样品扩展过程中的两个重要因素

ISE模型：

优点：

1. 我们提出了一种新的USL人员Re-ID隐式样本扩展（ISE）方法。从ISE生成的支持样本提供了补充信息，可以很好地处理子集群和混合聚类错误的问题
2. 我们提出了一种新颖的渐进线性插值（PLI）策略和用于支持样品生成的标签保留对比度损失（LP）
3. 我们进行了全面的实验和分析，以证明ISE的有效性，ISE的表现大大优于当前最先进的技术

不足：

我们的ISE从实际样本生成支持样本到嵌入空间中的相邻簇质心。对于每个样本，所选最近的聚类质心的数量固定为 K。这可能不是最佳解决方案。如果某些聚类已很好地分类，则无需添加补充样本。相反，当特定聚类由多个标识混合时，最好在多个 K 最近方向上生成支持样本。

参考文献：Implicit Sample Extension for Unsupervised Person Re-Identification