一、介绍

作者提出了一个序列联系无监督深度学习框架（Tracklet Association Unsupervised Deep Learning (TAUDL)）来解决无监督的行人再识别问题。作者的方法能够联合学习视野内部tracklet的联系以及视野间tracklet的联系，不需要任何额外标注。实验证明TAUDL在6个行人再识别数据集上超过了现有的无监督方法和迁移学习方法。

二、作者的方法

 2.1 稀疏时空采样（SSTT）

作者假设行人在短时间内只通过相机视野一次（比较合理）。现有的行人检测、行人跟踪的方法能够很容易对原始视频进行处理，获得行人tracklets。考虑到短时间跟踪丢失，会使得一个视野下在间隔时间很短内，有一个id的多个tracklets。针对这个问题，作者进行时间上稀疏采样，即选取大于行人通过视野时间Q的采样间隔P进行采样。考虑到由于空间遮挡可能造成检测错误的问题，作者进行空间上稀疏采样，仅选择在场景*同出现且相距较远的tracklets。

通过稀疏时空采样，可以认为同一视野内每个tracklet对应的id都不同。所以对一个多相机视野网络，获得了（S_i, y_i）数据，i表示视野编号。S = {I_1,I_2,...}。I_i为一个视频序列。 作者提出的算法就是在这样的数据下联合学习视野内部tracklet的联系以及视野间tracklet的联系。

2.2 视野内tracklet联系的学习（Per-Camera Tracklet Discrimination (PCTD) learning）

网络结构如下图，每个视野内tracklets经过CNN提取特征后，每个视野一个分支。经过一层fc+softmax进行分类任务。这个分类损失称为L^t_CE。经过这个学习过程，网络能够关注到视野内tracklet的联系，提取对同一视野下更有判别力的信息。

（1）式M_t表示视野下共有M_t类，（2）式t表示相机视野编号。 

 

 

2.3 视野间tracklet联系的学习 （Cross-Camera Tracklet Association (CCTA) loss function）

对于每个tracklet，在batch内，其他视野中选取K个距离最近最近的tracklet组成集合N^t_i，然后按照下式计算损失：

这个损失使得tracklet提取的特征趋向于其他视野与他相似的tracklet的特征，而远离其他视野与他不相似的tracklet的特征。

2.4 联合损失函数

网络的损失如（4）式，是一个多任务损失。作者指出，L_pctd是tracklet图片损失的平均值 ，L_ccta是tracklet特征的损失值。都是在一个batch里计算得到。

三、实施细节

1. 因为没有数据集的原始数据，因此没法进行SSTT采样。但iLIDS-VID和PRID2011数据集单个视野下每人只有一个tracklet，完全符合作者的需求。对于Mars这中单个视野下每个id包含多个tracklets的数据集，随机选择一个tracklet。
2. Backbone使用ResNet50，抽取顶部的2048维特征。
3. 输入图片resize到256x128，batch_size=384,每个视野随机选择相同数目的训练图片
4. 使用Adam优化，初始学习率3.5x10^-4
5. 多任务损失中lambda=0.7 sigma=2, K = T/2 （T为相机视野数目）
6. 对于图片数据集，每个图片视为一个tracklet。视频数据集，每个图片特征进行平均作为tracklet的特征

四、实验结果

4.1 和图片数据集sota的对比 

4.2 和视频数据集sota的对比

 

4.3 PCTD的效果（学习视野内tracklet联系） 

JCC表示不进行多分支，直接把标签由[1,2,3]  [1,2]两个分类任务，变成[1,2,3,4,5]，进行一个分类任务 。

为了更好的比较，这里的JCC和PCTD都没有加CCTA。

4.4 CCTA的效果（学习视野间tracklet联系） 

4.5 模型鲁棒性

作者在MARS数据集上，研究了当每个视野下有一定比例id有两个tracklets时对实验结果的影响（这种情况下作者的方法会分配不同的id） 

实验结果显示，这种duplicate tracklets对模型的影响很小，仅仅有3%的下降，说明模型很鲁棒。作者解释是因为1）对每个摄像头都进行了分类任务的学习，当前视野重复其他视野不重复会有修正作用  2）跨视野联系学习通过距离远近这种软的目标限制，而不是直接依赖于tracklet的ID ，对形同id但不同标签的tracklets没有那么敏感