摘要

本文针对完全无监督的人体重识别（Re-ID）问题，该问题无需任何标注信息。以往一些方法采用聚类技术生成伪标签，并利用生成的标签逐步训练Re-ID模型，这类方法相对简单但效果良好。然而，大多数基于聚类的方法将每个聚类视为一个伪身份类别，忽略了由于摄像头视角变化所导致的较大类内差异（intra-ID variance）。为解决这一问题，本文提出将每个单一聚类进一步划分为多个代理（proxy），每个代理代表来自同一摄像头的样本实例。这些具有摄像头感知能力的代理能够有效应对较大的类内差异，并生成更为可靠的伪标签以支持模型学习。基于上述摄像头感知代理，本文设计了针对相机内（intra-camera）与跨相机（inter-camera）的对比学习组件，以有效提升模型在单个摄像头及跨摄像头场景下的身份判别能力。同时，还提出一种代理均衡采样策略，进一步促进模型的训练效果。在三个大规模Re-ID数据集上的大量实验表明，所提出的方法显著优于大多数现有的无监督方法。尤其在具有挑战性的MSMT17数据集上，相较于第二名，本方法在Rank-1准确率上提升了14.3%，mAP提升了10.2%。代码已开源，地址为：\texttt{https://github.com/Terminator8758/CAP-master}。