[行人重识别论文]Meta Pairwise Relationship Distillation for Unsupervised Person Re-identification

摘要：由于缺乏基本事实标签，无人监督人员重新识别 （Re-ID） 仍然具有挑战性。现有方法通常依赖于通过迭代聚类和分类来估计的伪标签，不幸的是，它们极易受到不准确的聚类估计数造成的性能损失。或者，我们提出了元成对关系蒸馏 （MPRD） 方法来估计无监督人员 Re-ID 的样本对的伪标签。具体来说，它由卷积神经网络（CNN）和图卷积网络（GCN）组成，其中GCN根据CNN提取的当前特征估计样本对的伪标签，CNN通过涉及GCN强加的高保真正负样本对来学习更好的特征。为了达到这个目的，使用少量标记样本来指导GCN训练，GCN可以提炼元知识来判断正负样本对之间邻域结构的差异。在 Market-1501、DukeMTMC-reID 和 MSMT17 数据集上的大量实验表明，我们的方法优于最先进的方法。

Figure1: 两种伪标签估计方法的图示，其中（a）传统方法直接采用成对相似度来估计伪标签，而（b）我们的方法采用成对邻域结构来估计伪标签。每个圆圈表示一个单独的图像。绿色圆圈表示与查询图像相同的身份，深色表示视觉相似度高，红色圆圈表示其他身份。

具体方法： CNN 和 GCN 以交替的方式进行训练，以迭代方式分别优化其每图像特征和成对伪标签。在每次迭代中，CNN 都会提取当前每个图像的特征，并通过它与先前特征的线性组合来更新特征内存。然后，根据视觉相似度量，通过将每个图像与其相邻图像连接起来来估计成对邻域结构。然后将生成的图形结构输入到 GCN 中，以推断样本对的伪标签。从经验上看，我们发现在没有任何监督的情况下训练GCN是非常困难的，因此，我们利用少量标记的原数据来显式监督GCN，这极大地帮助了它的鲁棒性。

Figure2: MPRD概述。初始化的骨干网提取训练镜像的特征。然后，GCN推断特征与其相邻特征之间的成对关系，用于训练CNN模型。