Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification

Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification

Contribution ：

• 提出了无监督重识别方法 HCT ；
• 在每次聚类迭代后使用 PK sampling ，减少 hard example 的影响 ， 减少False Positive 样本；

HCT ：

• 使用 euclidean 距离 ；
• 分为四个步骤 ： 聚类 – PK 取样 – 微调 – 评估模型性能，并反复迭代直到性能不再提升；
• 使用 hard_batch triplet loss 损失函数；

Conclusion：

作者在 BUC 的基础上提出无监督的重识别方法 HCT， 用 euclidean 距离代替 BUC 中使用的 minmum 距离，解决了 BUC 在 merge 次数过多后性能越来越差的问题；通过 PK sampling 和 hard-batch triplet loss 进行训练，解决了 BUC 难以区分 hard examples 的问题。
作者还通过初始化伪标签并且交替训练提高了伪标签的质量。