学习笔记：基于软多标签学习---的无监督行人再识别 中山大学

https://blog.csdn.net/qq_35226955/article/details/98986160
MAR：soft Multi-label

label[k] = ID[2048] . Agent[2048 * 辅助行人个数k] = [0.8, 0.6 , 0.1, 0.1 … … ]
怎么得到agent的行人多个图像的特征表示

主要思想是，对于未标记的RE-ID数据集中的每个未标记的人图像，我们通过将该未标记的人与现有标记辅助源数据集中的一组参考人进行比较来学习软多标签（即实值标签似然向量而不是单个伪标签）。图1说明了这种软多标签的概念

图1所示。说明我们的软多标签概念。通过比较一组已知的辅助参考人员(箭头线越粗表示标签的似然性越高)，我们为每个未标记人员学习一个软多标签(实值标签向量)。以彩色观看效果最佳。

实验对比：pseudo label learning

1. 对比pseudo label： 一个关键的原因是，我们的软多标签参考学习可以利用辅助参考信息，挖掘出在直接比较一对视觉上相似的人的视觉特征时难以察觉的潜在表征性信息。
2. 相比之下，基于伪标签学习的模型通过直接比较视觉特征(如K-means聚类[52,8])来分配伪标签。
   
   
   

实验对比：uda方法

1. 与无监督领域自适应模型的比较。与基于无监督域自适应的reid模型50、7、62、48相比，我们的模型取得了更好的性能。其主要原因是这些模型只关注于从源域转移/适应识别性知识，而忽略了未标记目标域的识别性标签信息挖掘。
2. 由于源域内的判别线索可能会有很大的差异，因此即使在适应后，源域内的判别知识在目标域内的有效性也会降低。
3. 与此相反，我们的模型在未标记的目标数据中挖掘识别信息，这对目标重新识别任务有直接的效果。