CVPR2019行人重识别论文笔记1903.06325：Unsupervised Person Re-identification by Soft Multilabel Learning

文章链接：https://arxiv.org/abs/1903.06325
摘要：
作者提出了一种无监督的软多标签学习模型，用以解决缺少标记标签的问题。通过比较未标记对象和已知对象的辅助域，为标记对象学习软多标签的区别性嵌入。引入参考代理学习（reference agent learing），以联合嵌入的参考代理来表示参考人。这里很绕口:(
文章贡献：
提出软多标签参考学习，通过发掘数据中的潜在标签，以解决无监督学习缺少标记的问题。
1.概述
（a）Soft multilabel-guided hard negative mining：通过比较标签，辨别对象之间的正负性。
（b）Cross-view consistent soft multilabel learning：在跨镜头追踪下，保持同一行人的标签一致性。
（c）Reference agent learning：完成未标记对象和参考对象的对比工作。
整体结构↓：

2. Soft multilabel-guided hard negative mining
软多标签y的计算公式：

其中f(x)为未标记对象，a为reference agent，二者做内积计算出软多标签值。

关于正负对的假设：如果两个图像具有很高的相似性（f(x1)Tf(x2)），则称他们为相似对（similar pair），若两图像Soft multilabel的相似性很高，则两图像关系为正（positive pair），否则为负（negative pair）。
Soft multilabel的相似性比较是通过计算二者的L1距离得到：

基于以上假设positive set和hard negative set的划分如下：

设定T为设定阈值，以两张图像为相似对为前提，若Soft multilabel相似性大于T则说明属于正集，否则为负集。
学习的损失函数：

其中P和N是通过集合内相似对的L2距离计算得出。最小化LMDL完成训练。
总结构图：

3. Cross-view consistent soft multilabel learning
损失函数：

其中Pv(y)为数据集的soft multilabel分布，Pv(y)为第v个相机的soft multilabel分布。D为二者之间的距离，作者在这里使用Wasserstein distance计算。

4.Reference agent learning
为了使reference具有区分性，并可以表示对应的人，对于辅助集的损失函数：

对于未标记集的损失函数：

这部分的总损失函数为：

5. 模型训练与测试
采用随机梯度下降法训练，总的损失函数：

6. 实验结果

作者提出的MAR模型与其他无监督学习方法相比，性能是最突出的。

完结撒花！
欢迎大家评论吐槽！