[行人重识别论文]Discrepant and Multi-instance Proxies for Unsupervised Person Re-identification
摘要：近年来基于对比学习的方法在行人重识别领域取得了显著进展。然而，在实际应用中存在一些局限性：一方面，在处理类别内部的数据分布时会出现偏差；另一方面，在处理类别间数据分布关系时也会遇到挑战。针对这些问题，在传统的聚类统一代征方法基础上进行了创新性改进：提出了差异化的集群代征模型，并在此基础上构建了对比损失函数。该函数采用代征作为正样本对同类目标进行拉近训练的同时，在多示例代征中引入全局层面的独特难负样本挖掘机制来优化实例对齐过程。大量实验表明该方法较现有方法具有更好的性能表现
图1展示了全局硬否定在提升类别间分离方面的有效性。通过实例对比可以看出，在提高分类效率的同时能够更好地实现数据聚散关系的确立。各个类别通过不同形状进行区分。(a) 在这些负样本中，最易识别的是批量难以分辨的样本；(b) 我们的全局难以分辨的样本不仅是最难分类的实例，还携带了最多特征信息。
当前需要解决的问题：
解决方法：
Figure2: 图中呈现的是一个关于簇分配的一致性分析结果。研究发现，在存在不一致性的簇代理情况下，传统的基于K-均值算法构建的数据分布较为松散的簇能够实现类内紧密性这一特性。具体而言，在这种情况下, 每个簇代 表通过对低相似度查询对象施加强大的吸引（pull）力量, 并且两者的协同作用进一步优化了整体结构, 最终使得整个数据集所构成的集群呈现出更加紧密的整体布局
总结：
- 我们开发了基于差异聚类代理的对比学习方案，并使它们共同作用于同一聚类以协同作用以降低类内差异。
- 我们构建了基于多示例代理的全局难负样本挖掘方法，并通过选择真正具有挑战性和信息丰富的负样本来有意地提升不可区分类别之间的方差。
- 系统性的实验结果验证了所提方法的有效性，并在与其他先进方法相比时展现出卓越的能力。
Figure 3 展示了 DCMIP 框架的整体架构。该框架将学习过程划分为两个主要阶段：第一阶段是聚类相关操作与特征初始化阶段；第二阶段是特征更新与模型优化阶段。（a）在聚类阶段中，我们首先基于编码器编码的特征进行聚类操作以生成伪标签；接着利用这些聚类结果初始化差异聚类代理（DCP）以及多实例代理（MIP）。具体而言，在 DCP 初始化过程中使用的是动量编码器 f_θ^m 对随机选取的 K 个实例特征进行编码；而在 MIP 初始化过程中则是直接采用编码器编码的所有实例特征。（b）在训练阶段中，则通过分别利用 DCP 中的难正类代理与 MIP 中的难负类代理来进行差异类代理协作以及全局难负样本挖掘；同时为确保模型训练的有效性，在 DCP 更新过程中采用了不同的更新策略以更新差异聚类模型；而对于 MIP 来说，则是利用编码器编码的所有实例特征来进行参数更新以优化模型性能。
总损失：
其中λ代表损失量。对于LMIP模型而言，在其初期阶段由于表示能力较为薄弱的情况之下，在这一时期的伪样本可能并无实际价值。采用这些伪样本可能导致模型过早地陷入误导性方向[49]。因此我们设定Eins=20，并于第21世纪初开始实施基于实例级别的对比学习策略；此外我们采用当前fθ作为初始值来配置fθm。
开发了一种基于差异聚类代理与多实例代理相结合的对比学习框架，在无监督场景下应用于行人重识别问题中。其中每个聚类能够互补性地表征整体特征，并将其嵌入到聚类对比损失函数中作为正样本；同时采用多样化的更新策略来维持两个独立的聚类代理；从而共同降低各聚类内部数据分布的离散程度。此外我们还为每个类别构建了多实例代理模型；以便更加精准地捕捉各类别内的细节特征；同时开展全局层面的负样本筛选工作；其中通过计算不同类别之间的相似度矩阵来识别不可区分的对象对；最终验证表明该方法能在两个典型数据集上实现超越现有先进算法的表现