基于相机类对比学习的完全无监督行人重识别

最近的无监督行人重识别研究使用聚类和记忆字典中的伪标签来训练模型。但是，这些研究忽略了行人重识别的数据集是通过不同相机采集的，即相机之间的分布差异较大，较大的相机方差会导致模型精度降低。因此，提出了相机类对比学习，包括类对比损失和相机对比损失，其中类对比损失可以实现对内存字典的一致性更新，并减少噪声标签对模型的影响；而相机对比损失通过为每个相机中的每个类构建相机类中心，拉近同属一个类的相机类中心距离，并使不同类的相机类中心距离相距更远，从而减少相机方差。通过相机类对比学习，减少了相机方差和噪声标签对模型的影响，从而提高了行人重识别的性能。在4个公开数据集上，相机类对比学习都表现出优异的结果，有效地缓解了相机方差对模型的影响。