Refinamento de Pseudo Rótulo Baseado em Parte para Re-identificação Não Supervisionada de Pessoas

A re-identificação não supervisionada de pessoas (re-ID) visa aprender representações discriminativas para a recuperação de pessoas a partir de dados não rotulados. Técnicas recentes realizam essa tarefa utilizando pseudo-rótulos, mas esses rótulos são inerentemente ruidosos e deterioram a precisão. Para superar esse problema, vários métodos de refinamento de pseudo-rótulos foram propostos, mas eles negligenciam o contexto local fino essencial para a re-ID. Neste artigo, propomos uma nova estrutura de Refinamento de Pseudo Rótulo Baseado em Parte (PPLR) que reduz o ruído do rótulo empregando a relação complementar entre características globais e de parte. Especificamente, projetamos um escore de acordo cruzado como a similaridade de k-vizinhos mais próximos entre espaços de características para explorar a relação complementar confiável. Com base no acordo cruzado, refinamos os pseudo-rótulos das características globais por meio da combinação das previsões das características de parte, que, coletivamente, aliviam o ruído na agrupamento de características globais. Além disso, refinamos os pseudo-rótulos das características de parte aplicando suavização de rótulo de acordo com a adequação dos rótulos fornecidos para cada parte. Graças à informação complementar confiável fornecida pelo escore de acordo cruzado, nosso PPLR reduz efetivamente a influência de rótulos ruidosos e aprende representações discriminativas com contextos locais ricos. Resultados experimentais extensivos no Market-1501 e MSMT17 demonstram a eficácia do método proposto em relação ao desempenho de estado-da-arte. O código está disponível em https://github.com/yoonkicho/PPLR.