无监督域自适应行人重识别方法研究.pdfVIP

摘要

在计算机视觉领域，行人重识别任务有非常重要的研究意义。随着深度学习

技术的发展，有监督行人重识别技术在有标注的数据集上取得了令人满意的性能，

但是给大规模的数据集添加标签非常耗费成本，并且对每一个应用场景都进行标

注是不现实的，因此，本文针对无监督域自适应行人重识别技术展开研究，主要

进行了两项工作，具体内容如下：

1.针对聚类方法往往会引入带噪标签并将低置信度样本丢弃，从而阻碍模型

再训练过程，限制模型泛化能力的问题，本文提出了一种基于混淆样本去除策略

的无监督域自适应行人重识别方法，该方法的核心是使用减少混淆样本的聚类策

略（ReducingConfusedSampleClustering，RCSC）来减少噪声标签，该策略将易

混淆样本划分为三类，提高了纯净样本的纯净性和易混淆样本的多样性，并结合

非对称训练框架进行训练，从根本上保证输入的有效性，从而提高无监督域自适

应行人重识别方法的性能。

2.由于不同数据集的背景具有显著的差异，行人图片本身存在遮挡、背景杂

乱等问题，仅利用单图像特征训练模型，难以在无监督域中准确提取行人深层次

的特征，因此，本文提出了一种联合学习图像表示策略的无监督域自适应行人重

识别方法（JointLearningImageRepresentationStrategyforUnsupervisedDomain

AdaptationonPersonRe-Identification，JLIRS-UDA），该方法将无监督域自适应

图像的交叉图像表示（Crossimagerepresentation，CIR）考虑在内，在训练阶段

联合学习单图像表示（Singleimagerepresentation，SIR）和CIR。JLIRS-UDA的

每个网络由一个共享网络、SIR分支和CIR分支组成。在此基础上，为了保证伪

标签生成的准确性，本文提出将训练过程分为两个阶段的分段动态聚类

(SegmentingDynamicClustering，SDC)策略，两个阶段分别采用不同的图像特征

进行聚类。通过JLIRS-UDA方法和SDC策略，无监督域自适应行人重识别的

性能得到了提升。

本文在大规模的标准行人重识别数据集Market-1501、DukeMTMC-reID、

CUHK03和MSMT17上进行了实验验证和分析，最终实验结果表明了本文所提

出方法在无监督域自适应行人重识别任务中的有效性。

关键词：无监督行人重识别，域自适应，融合特征，聚类

ABSTRACT

Personre-identification（Re-ID）isahighlyvaluableresearchinthefieldof

computervision.Withthedevelopmentofdeeplearningtechnology,supervisedRe-ID

inadatasetwithlabelshaveachievedsatisfactoryperformance,butaddinglabelisvery

costlytolargedatasets,andeachapplicationscenarioforlabelingisnotrealistic.Inthis

thesis,unsuperviseddomainadaptiveRe-IDtechnologyisstudied,andtwomainworks

arecarriedout.Thespecificcontentsareasfollows:

1.Clusteringmethodsoftenintroducenoisylabelsanddiscardlow-confidence

samples,thushinderingtheretrainingprocessofthemodelandlimitingthe

generalizationabilityofthemodel.Inthis