介绍
引出主题及研究意义
近年来,人再识别(ReID)技术取得了巨大的成功,该技术利用深度卷积神经网络(CNN)从有标记的人图像中学习识别特征[43,14,9,27,16,26,28,29]。由于在多台相机上对人的图像进行注释是昂贵的,最近的研究工作开始集中在无监督的人的ReID上。 无监督人识别旨在从无标记行人图像中学习识别特征。与有监督学习相比,无监督学习减轻了对昂贵的数据注释的需求,因此显示出更好的潜力,将人的ReID推向实际应用
挑战难点及对应工作,工作的缺点:无监督下学习可区分特征–迁移学习-缺点
难点无监督人识别的挑战在于学习没有真实标签的区别性特征。为了克服这一挑战,最近的大多数研究[37,46,22,19,30]将无监督的人ReID定义为迁移学习任务,利用其他领域的标记数据进行模型初始化或标记迁移。 对应工作其中,有些工作为每个图像分配了一个类标签[46]。还有一些利用时空线索或附加属性符号[22,19,30]。对现有方法的详细回顾将在第2节中介绍。通过上述努力,无监督的人ReID的绩效得到了显著提升。 对应工作的缺点然而,有监督的和无监督的行人ReID之间仍有相当大的差距。同时,迁移学习的设置导致灵活性有限。例如,如许多研究[21,35,31]所讨论的,迁移学习的性能与域间隙密切相关,例如,域间隙越大,迁移学习的性能就会降低。在无监督的人脸识别中,对域间隙进行估计并选择合适的源数据集进行迁移学习是非常重要的。
新方法我的方法 观键思路 本文的目标是在不利用任何标记
|