摘要

无监督视频行人重识别（reID）方法通常依赖于全局特征。而许多有监督的reID方法采用局部特征，取得了显著的性能提升。然而，将局部特征应用于无监督方法时，可能导致性能不稳定。为提升无监督视频reID方法的性能稳定性，本文提出一种融合部件模型与无监督学习的通用框架。在该框架中，全局特征被划分为若干等长的局部特征。引入一个局部感知模块，以挖掘局部特征在无监督学习中的潜在优势；同时提出一个全局感知模块，用以克服局部特征带来的局限性。通过融合两个模块的特征，构建出针对每张输入图像的鲁棒特征表示。该表示兼具局部特征的优势，同时避免了其固有缺陷。在PRID2011、iLIDS-VID和DukeMTMC-VideoReID三个基准数据集上进行了全面实验，结果表明，所提方法达到了当前最优性能。大量消融实验证明了所提框架、局部感知模块与全局感知模块的有效性与鲁棒性。代码及生成的特征已公开于：https://github.com/deropty/uPMnet。