|本期目录/Table of Contents|

[1]陈元妹,王凤随,钱亚萍,等.基于特征细化的多标签学习无监督行人重识别[J].浙江理工大学学报,2023,49-50(自科六):755-763.
　CHEN Yuanmei,WANG Fengsui,QIAN Yaping,et al.Multilabel learning unsupervised person reidentification based on feature refinement[J].Journal of Zhejiang Sci-Tech University,2023,49-50(自科六):755-763.
点击复制

基于特征细化的多标签学习无监督行人重识别()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第49-50卷
期数:
2023年自科第六期
页码:
755-763
栏目:
出版日期:
2023-11-10

文章信息/Info

Title:
Multilabel learning unsupervised person reidentification based on feature refinement
文章编号:
1673-3851 (2023) 11-0755-09
作者:
陈元妹; 王凤随; 钱亚萍; 王路遥
安徽工程大学，a.电气工程学院；b.高端装备先进感知与智能控制教育部重点实验室，安徽芜湖 241000
Author(s):
CHEN Yuanmei;  WANG Fengsui;  QIAN Yaping;  WANG Luyao
a.School of Electrical Engineering; b.Key Laboratory of Advanced Perception and Intelligent Control of Highend Equipment, Ministry of Education, Anhui Polytechnic University, Wuhu 241000, China
关键词:
行人重识别; 无监督; 特征细化; 多尺度通道注意力; 多标签学习
分类号:
TP391.4
文献标志码:
A
摘要:
针对无监督行人重识别中行人特征表达不充分以及训练过程产生噪声标签等问题，提出了一种基于特征细化的多标签学习无监督行人重识别方法。首先，为提高网络对关键区域信息的利用能力，设计多尺度通道注意力模块(Multiscale channel attention module, MCAM)，嵌入ResNet50网络的不同层来构建特征细化网络，并利用该网络对输入图像通道维度上的关键信息进行强化和关注，以获得更丰富的特征信息；其次，为降低训练过程中产生的噪声标签对网络的负面影响，设计多标签学习模块(Multilabel learning module, MLM)，通过该模块进行正标签预测以生成可靠的伪标签；最后，利用多标签分类损失和对比损失进行无监督学习。在数据集Market-1501和DukeMTMC-reID上进行实验，结果表明该方法在这两个数据集上的平均精度均值分别达到82.8%和70.9%，首位命中率分别达到92.9%和83.9%。该方法使用注意力机制强化图像的特征信息，并通过正标签预测减少噪声标签，有效提升了无监督行人重识别的准确率，为无监督行人重识别领域提供了更鲁棒的方法。

参考文献/References:

［1］黄新宇, 许娇龙, 郭纲, 等. 基于增强聚合通道特征的实时行人重识别［J］. 激光与光电子学进展, 2017, 54(9): 119127.
［2］罗浩, 姜伟, 范星, 等. 基于深度学习的行人重识别研究进展［J］. 自动化学报, 2019, 45(11): 20322049.
［3］Wang Y Y, Li X A, Jiang M X, et al. Crossview pedestrian clustering via graph convolution network for unsupervised person reidentification［J］. Journal of Intelligent & Fuzzy Systems, 2020, 39(3): 44534462.
［4］Kim G, Shu D W, Kwon J. Robust person reidentification via graph convolution networks［J］. Multimedia Tools and Applications, 2021, 80(19): 2912929138.
［5］潘海鹏, 郝慧, 苏雯. 基于注意力机制与多尺度特征融合的人脸表情识别［J］. 浙江理工大学学报(自然科学版), 2022, 47(3): 382388.
［6］刘紫燕, 万培佩. 基于注意力机制的行人重识别特征提取方法［J］. 计算机应用, 2020, 40(3): 672676.
［7］Cho Y, Kim W J, Hong S, et al. Partbased pseudo label refinement for unsupervised person reidentification［C］2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans, LA, USA. IEEE, 2022: 73087318.
［8］Ge Y X, Zhu F, Chen D P, et al. Selfpaced contrastive learning with hybrid memory for domain adaptive object reID［C］Proceedings of the 34th International Conference on Neural Information Processing Systems. Vancouver, BC, Canada. New York: ACM, 2020: 1130911321.
［9］Lin Y T, Dong X Y, Zheng L A, et al. A bottomup clustering approach to unsupervised person reidentification［J］. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1): 87388745.
［10］孙义博, 张文靖, 王蓉, 等. 基于通道注意力机制的行人重识别方法［J］. 北京航空航天大学学报, 2022, 48(5): 881889.

相似文献/References:

[1]顾淳,俞成海,于洋,等.基于BERT模型的无监督中文单文本关键词提取模型[J].浙江理工大学学报,2022,47-48(自科三):424.
　GU Chun,YU Chenghai,YU Yang,et al.Unsupervised keyword extraction model for Chinese  single text based on BERT model[J].Journal of Zhejiang Sci-Tech University,2022,47-48(自科六):424.

备注/Memo

备注/Memo:
收稿日期： 2023-04-14
基金项目： 安徽省自然科学基金项目(2108085MF197)；安徽高校省级自然科学研究重点项目(KJ2019A0162)；安徽工程大学国家自然科学基金预研项目(Xjky2022040)
作者简介： 陈元妹(1998-)，女，安徽宿州人，硕士研究生，主要从事智能信息处理方面的研究。
通信作者： 王凤随，Email：fswang@ahpu.edu.cn
更新日期/Last Update: 2023-11-15