Unsupervised Person Re-identification via Multi-label Classification

论文：Unsupervised Person Re-identification via Multi-label Classificationhttps://arxiv.org/pdf/2004.09228.pdf
年份：2020-CVPR
本文的许多工作和参数有关，这篇文章的参数设置要看

1.简介

无监督人重新识别（ReID）的挑战在于学习没有真实标签的discriminative features（鉴别特征）。本文将无监督行人重识别公式化为多标签分类任务，以逐步寻找真实标签。

• 该方法首先为每个人的图像分配一个单一类别的标签，
• 然后通过利用更新的ReID模型进行标签预测并进行多标签分类。

标签预测包括相似度计算和循环一致性，以确保预测标签的质量。为了提高ReID模型在多标签分类中的训练效率，进一步提出了基于 memory的多标签分类损失（MMCL）.MMCL与基于 memory的非参数分类器一起使用，并将多标签分类和单标签分类相结合在一个统一的框架中。该标签预测和MMCL可以反复工作，从而大大提高ReID的性能。在几个大型Person ReID数据集上进行的实验证明了我们的方法在无人监督Person ReID中的优越性。我们的方法还允许在其他域中使用带标签的Person图像。在 transfer learning （迁移学习）设置下，我们的方法还可以实现最先进的性能。

2.导言

1. 先前工作的缺陷

   无监督的Person ReID 旨在从未标记的行人图像中学习鉴别特征。与监督学习 相比，无监督学习免除了对昂贵的数据标记的要求，从而更好的推动Person ReID面向实际应用。
   无监督Person ReID 的挑战在于学习没有真正标签的鉴别特征。最近，大多数工作将无监Person ReID 定义为一个 transfer learning task（迁移学习任务），利用其他域上的标记数据对模型进行初始化或标签迁移。（一些研究工作为每个图像分配一个单一类别标签.另一些则利用时空线索或附加属性注释）但在监督和无监督的Person ReID之间仍然存在相当大的差距。同时，迁移学习的设置导致网络模型的灵活性有限。

2. 本文方法解决的问题
   本文的目标是

   • 在不利用任何标记数据的情况下提高无监督的Person ReID 。

     将每个未标记的行人图像视为一个类，并训练 ReID 模型，以使用多类标签分配给每个图像。 换句话说，训练 ReID 模型，将每个图像分类为属于同一ID的多个类。 由于每个人通常有多个图像，多标签分类有效地识别相同身份的图像，并将图像与不同ID的图片区分开。这有利于 ReID 模型优化类间和类内距离。与以往将每幅图像分类为单个类的方法相比，多标签分类具有更好的效率和准确性

   • 该方法迭代地预测多类标签，并以多标签分类损失更新网络。

     a. 为了保证预测标签的质量，提出了基于memory的正标签预测(MPLP)，它考虑了标签预测的视觉相似性和循环一致性。也就是说，如果两个图像:
     (a) 具有很大的相似性，
     (b)具有相似的邻居，
     则用相同的标签标记两个图像。为了进一步保证标签预测的准确性，MPLP利用存储在memory中的图像特征，在每次训练迭代后使用增强的特征(augmented