MGH:元数据引导的超图建模无监督人员再识别,MGH: Metadata Guided Hypergraph Modeling for Unsupervised Person Re-identification

由于标注大规模数据集的成本仍然较高，近年针对无监督行人重识别任务涌现了大量的工作。现有的工作主要关注于视觉信息，在智能监控网络中常见的时间、摄像头号等元信息通常被忽略，然而这些信息在实际应用中能够为重识别提供辅助。同时，为了更准确地建模摄像头网络中的复杂关系，本文使用超图结构表示摄像头所采集的样本与样本间关联关系。综上，本文提出了全新的基于元信息的超图模型（MGH）来解决 “如何建模复杂关联”这一问题。

方法概述

如图1所示的算法框架，主要由超图构建、超图标签传播和基于Memory的Coarse-to-fine监督。本文在聚类—微调的训练框架下对特征提取网络进行反复训练直至收敛，首先，在超图构建阶段，通过预训练网络提取样本视觉特征，结合元信息与视觉特征构建超图；随后，在基于超图的标签传播阶段，进行两阶段的标签预测，使用聚类算法进行粗聚类，而后使用基于超图的标签传播算法进行标签修正；最后，在计算损失过程中，使用基于Memory的损失函数进行训练，分别从样本、摄像头两个层级构建损失。

实验结果

本方法在三个标准数据集上与现有方法进行了对比，对比结果如表1和表2所示，可以发现本方法在三个数据集上都达到的领先水平。此外，对本方法中使用的超图聚类方法以及损失函数进行了消融实验，实验结果如表3和图2所示，可以发现在选择超图聚类算法时，使用KNN（K=5）的情况下已经可以取得较好的结果，在结合DBSCAN能够有一定提升。

作者：吴一鸣，吴欣填，田健，李玺

单位：浙江大学

邮箱：

yimingwu0@gmail.com,

hsintien@zju.edu.cn,

xilizju@zju.edu.cn,

tianjian29@zju.edu.cn

论文：

https://dl.acm.org/doi/10.1145/3474085.3475296

代码：

https://github.com/weleen/MGH.pytorch