作者：Dengpan Fu, Dongdong Chen, Hao Yang,等

简介：本文旨在解决带有噪声标签的人员重新识别（Re-ID）的预训练问题。为了设置预训练任务，作者对现有未标记 Re-ID 数据集“LUPerson”的原始视频应用了一个简单的在线多对象跟踪系统，并构建了名为“LUPerson-NL”的噪声标记变体。由于这些从 tracklets 自动派生的 ID 标签不可避免地包含噪声，因此作者开发了一个利用噪声标签 (PNL) 的大规模预训练框架，该框架由三个学习模块组成：有监督的 Re-ID 学习、基于原型的对比学习和标签- 引导对比学习。原则上，这三个模块的联合学习不仅将相似的示例聚类到一个原型，而且还根据原型分配纠正噪声标签。作者证明：直接从原始视频中学习是一种很有前途的预训练替代方案，它利用空间和时间相关性作为弱监督。这个简单的预训练任务提供了一种可扩展的方式，可以在“LUPerson-NL”上从头开始学习 SOTA Re-ID 表示，而无需花哨的东西。例如：通过应用相同的监督 Re-ID 方法 MGN，作者的预训练模型在 CUHK03、DukeMTMC 和 MSMT17 上分别比无监督预训练对应物提高了 5.7%、2.2%、2.3%。在小规模或小样本设置下，性能提升更为显着，表明学习表示具有更好的可迁移性。

 

论文下载：https://arxiv.org/pdf/2203.16533.pdf

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除