用于无监督车辆重新识别的三元组对比表示学习

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Triplet Contrastive Representation Learning for Unsupervised Vehicle Re-identification

提出基于三元组对比表示学习的无监督车辆重识别框架，通过簇特征连接局部与全局特征，设计代理对比损失、混合对比损失和加权正则化簇对比损失，有效缓解梯度消失问题并提升伪标签可靠性。实验验证TCRL性能优于现有方法。

　　

摘要

在无监督的车辆重识别任务中，部分特征学习对于实现细粒度的语义理解起着关键作用。然而，现有的方法直接对部分特征和全局特征进行建模，这很容易导致梯度消失问题，因为这些特征的信息量不均衡且伪标签不可靠。为了解决这个问题，本文提出了一种三元组对比表示学习（TCRL）框架，该框架利用聚类特征来连接部分特征和全局特征，从而实现无监督的车辆重识别。具体而言，TCRL设计了三个内存库来存储实例/聚类特征，并提出了一种代理对比损失（PCL），以在相邻的内存库之间进行对比学习，从而将部分特征和全局特征之间的关联表示为部分-聚类关联和聚类-全局关联的转换过程。由于聚类内存库能够处理所有车辆特征，因此它可以将其总结为具有区分性的特征表示。为了深入利用实例/聚类信息，TCRL还提出了两种额外的损失函数：对于实例级别的特征，混合对比损失（HCL）通过接近正实例特征并排斥所有负实例特征来重新定义样本之间的相关性；对于聚类级别的特征，加权正则化聚类对比损失（WRCCL）根据实例之间的相似性对错误标记的图像进行惩罚，从而优化伪标签。大量实验表明，TCRL的性能优于许多现有的无监督车辆重识别方法。