摘要
大多数现有的行人重识别（re-id）方法依赖于对每对摄像头手动标注的成对训练数据进行监督模型学习。这在实际部署中导致了较差的可扩展性，因为无法为每个摄像头对的所有正负图像对进行全面的身份标注。在这项工作中，我们提出了一种无监督的行人重识别深度学习方法。该方法能够从自动生成的行人轨迹数据中端到端地逐步发现并利用潜在的重识别判别信息。我们构建了一个无监督轨迹关联学习（UTAL）框架，通过联合学习单个摄像头内的轨迹判别和跨摄像头的轨迹关联，以最大化在不同摄像头视图内和之间发现的轨迹身份匹配。广泛的实验表明，所提出的模型在八个基准数据集上优于最先进的无监督学习和域适应行人重识别方法。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| person-re-identification-on-cuhk03 | UTAL | MAP: 42.3 Rank-1: 56.3 |
| person-re-identification-on-dukemtmc-reid | UTAL | Rank-1: 62.3 mAP: 44.6 |
| person-re-identification-on-duketracklet | UTAL | Rank-1: 43.8 Rank-20: 76.5 Rank-5: 62.8 mAP: 36.6 |
| person-re-identification-on-ilids-vid | UTAL | Rank-1: 35.1 Rank-20: 83.8 Rank-5: 59 |
| person-re-identification-on-market-1501 | UTAL | Rank-1: 69.2 mAP: 46.2 |
| person-re-identification-on-mars | UTAL | Rank-1: 49.9 Rank-10: 66.4 Rank-20: 77.8 mAP: 35.2 |
| person-re-identification-on-msmt17 | UTAL | Rank-1: 31.4 mAP: 13.1 |
| person-re-identification-on-prid2011 | UTAL | Rank-1: 54.7 Rank-20: 96.2 Rank-5: 83.1 |