近日，bob手机在线登陆信息与电子学院信号与图像处理研究所高级实验师范哲意、硕士生陈淑妮、殷健源，结合图像的全局、局部特征信息进行多次聚类，进而提取到高质量的伪标签用于模型的跨域适应，与无监督跨域行人重识别领域的主流算法相比具有竞争性。相关研究成果以《Pseudo Label Based on Multiple Clustering for Unsupervised Cross-Domain Person Re-Identification》为题，发表于IEEE Signal Processing Letters（影响因子IF:3.105）。

　　无监督跨域行人重识别中存在的难点主要包括：不同场景中的图像背景、光照以及摄像头视角存在差异较大，现有的模型的跨域适应能力较差，无法将在有标签数据集上训练好的模型直接应用到实际场景中；基于聚类的跨域行人重识别算法因为聚类的随机性会给生成的伪标签引入噪声，导致伪标签质量差，从而使模型性能不理想；行人重识别对于准确性要求较高，对于行人图像的特征信息挖掘不深入，对图像信息的利用率不高；现有的模型的训练策略比较单一，忽略了训练策略对模型训练的效率以及准确率的影响。

　　 图1基于多次聚类的伪标签无监督跨域行人重识别算法框架

　　为解决上述问题，研究团队提出基于多次聚类的伪标签提取算法，利用多次聚类挖掘不同簇数聚类后生成的伪标签中携带的信息，从而生成一个质量较高、较稳定的伪标签；基于全局特征、局部特征提出两个训练阶段：全局训练阶段以及局部训练阶段，既考虑整张图像的特征同时也关注到局部信息，从而获得稳健的特征，提高信息的利用率；提出基于两个阶段的交替训练策略，有效提高模型训练效率，同时增强模型的识别准确率。

　　综上所述，该算法可以从全局训练阶段和局部训练阶段学习出高质量的伪标签用于模型的跨域适应，提高模型在无监督数据集上的性能。

　　论文链接：

　　https://ieeexplore.ieee.org/document/9166689?source=authoralert