基于不确定性感知的prototype整合方法，用于不同高度条件下的无监督空中人物重识别

《Expert Systems with Applications》：Uncertainty-Aware Prototype Consolidation for Unsupervised Aerial Person Re-Identification under Varying Heights

　　陈鸿旭|陆志志|黄宇丽|谢晓华|赖建煌•我们提出了一种面向无监督空中ReID的不确定性感知原型整合方法。•我们提供了一个新的数据集——多场景无人机ReID数据集。•我们的方法解决了无监督无人机场景中的视角变化问题。•实验结果表明了我们方法的优越性。

引言
人物重识别（ReID）旨在识别并匹配不同相机视角下的同一个体（Liu & Jiang，2026；Yu, Zhan, & Lai，2026；Zhu, Yang, Li, & Yan，2025）。基于地面相机的现有方法在有监督学习环境（He等人，2025；Wang等人，2025b；Zhang, Wu, Huang, & Yang，2025）以及无监督学习环境（Chen, Zhang, Lai, & Xie，2024a；Liu, Pang, & Wang，2025a；Ye, Wu, & Du，2025）中都取得了不错的性能。然而，地面相机由于灵活性不足、覆盖范围有限以及单一视角的限制，使得ReID模型难以在多种场景中广泛应用。随着无人机技术的发展（Ma, Jin, & Lewis，2024；Xu, Liu, Chang, Liu, & Sun，2025），空中ReID有望有效解决这些问题。研究人员在基于无人机的有监督ReID领域也取得了显著进展（Nguyen等人，2025；Wang等人，2025a；Zhang等人，2024b），但这些方法需要大量标注数据，成本较高。为减轻数据标注的负担，一种常见的研究方法是采用无监督学习。目前的无监督方法主要依赖伪标签技术（Chen, Fan, Chen, & Zhu，2024b；Ji等人，2024），通过传统的聚类方法（Ester, Kriegel, Sander, Xu等人，1996；Lloyd，1982；Rosvall, Martin, & Bergstrom，2008）为行人生成标签，以便后续训练使用。但从无人机的视角来看，由于飞行高度的变化，行人在特征空间中的分布会变得更加分散。在伪标签分配过程中，处于相似高度的行人更容易被归为一组，而处于不同高度的同一个体则常常被分开。这些质量较低的伪标签会对后续训练产生负面影响。此外，视角的巨大变化还会在聚类空间中产生大量异常值，从而导致特征学习不完整（见图1）。像Cluster-Contrast方法（Dai, Wang, Yuan, Zhu, & Tan，2022）和PASS-ReID方法（Zhu等人，2022）这类方法在聚类后并未进一步进行精细的伪标签优化，而是主要依靠在训练过程中更新类别中心。为了解决上述问题，我们提出了不确定性感知原型整合（UPC）方法。与现有的主流无监督ReID方法不同，后者主要关注地面场景中的通用伪标签噪声或聚类误差（Chen等人，2024a；Dai等人，2022；Li, Hu, Hu, & Li，2024；Peng, Zhang, & Wang，2025），UPC则是专门为应对无人机高度变化导致的身份特征分散问题而设计的。具体而言，我们首先对每个行人进行标签不确定性评估。通过残差峰值识别（RPI）方法，我们可以确定目标行人的候选集，其不确定性可以体现在样本层面或聚类层面。RPI并非直接依赖最初的聚类结果，而是通过分析排序后的相似度分布中的残差变化，来找出可靠邻居与不确定候选者之间的潜在分界点。这样一来，UPC能够自动发现那些与目标行人高度相关但因高度变化而被错误分离的样本或聚类。相比直接应用固定的相似度阈值或仅依赖最近的聚类中心，这种方法能提供更精细的不确定性估计。我们还利用整体原型来评估候选集中行人特征的邻近聚类，随后通过两个核心组件进一步处理这些候选者：异常值处理和聚类融合。在样本层面，异常值处理旨在解决因视角或场景突然变化而产生的难处理样本，减少没有准确标签的行人数量，同时增加训练中相同身份的实例数量。除了异常行人带来的挑战外，无人机高度的变化还会导致高度相近的行人更容易聚类在一起，而处于不同高度的同一个体则可能被分割成多个聚类，这是不希望出现的。为此，我们引入了聚类融合机制来解决这种聚类层面的不确定性。该机制基于多个原型，合并置信度较高的聚类，并利用全局信息关联进行全面过滤，以提高标签质量。与那些仅衡量两个聚类中心之间相似度的简单聚类合并策略不同，聚类融合考虑了来自多个可靠观测值的样本支持证据，因此能够更准确地识别属于同一身份的碎片化聚类，降低因局部相似但语义不同而导致的错误合并风险。这样，UPC不仅仅是一种通用的伪标签去噪策略，而是一种具备不确定性感知能力的伪标签整合框架，它从样本层面和聚类层面共同恢复身份结构。与以往的无监督方法不同，我们不会统一进行异常值检测和聚类合并，而是根据标签不确定性评估所识别的不确定性来源，灵活选择更为合适的优化策略——异常值处理或聚类融合。前者用于找回因高度变化而被错误排除的异常值，后者则基于样本支持证据整合碎片化的身份聚类，而非仅仅依据聚类中心相似度进行简单的后期合并。通过原型匹配和基于矩阵的证据积累机制，UPC试图将这些异常值或聚类重新分配到更可靠的位置。借助这些策略，我们有效地解决了因无人机高度变化导致的视角和分辨率差异所带来的挑战，如图1所示。通过获得更高质量的标签，模型能够更好地从具有挑战性的样本中学习，从而提升后续训练的稳定性。此外，UPC还提高了伪标签的完整性和一致性，使模型能够充分利用之前被舍弃的难处理样本以及之前碎片化的身份聚类。这样一来，即使在较大的高度变化情况下，模型学到的表示也能更具区分度，这对于无监督的无人机人物ReID来说至关重要。现有的基于无人机的ReID数据集大多涵盖的场景有限，高度变化较小，最大飞行高度也相对较低，无法真实反映现实世界的情况。为了建立更全面的评估基准，我们收集了一个新的多场景无人机ReID数据集。该数据集通过提供更多样的场景和更大的高度变化范围，弥补了现有数据集的不足。此外，与现有的基于无人机的ReID数据集相比，它的行人身份数量也大幅增加。这些特点使得无监督聚类更加困难，同时也带来了更严重的异常值和聚类碎片化问题。在我们的数据集中，场景的多样性和高度变化的复杂性尤其给无监督学习带来了巨大挑战。我们提出的方法能够有效应对这些挑战，在我们的数据集以及PRAI-1581和UAV-Human数据集上均取得了先进的性能表现。主要贡献可总结如下：•我们提出了面向无监督空中人物ReID的不确定性感知原型整合（UPC）方法，该方法能够解决因无人机高度变化较大而导致的聚类碎片化和异常值问题，提升训练的稳定性。•我们提供了一个新的多场景无人机ReID数据集，该数据集具有较大的高度变化范围、多样的场景，以及比现有无人机ReID数据集更多的行人身份。•实验结果表明，我们的UPC方法在我们的数据集以及PRAI-1581和UAV-Human数据集上都具有优越性能，优于以往的无监督ReID方法。

章节摘录
无监督人物重识别
现有的无监督人物ReID方法在地面数据集上已经取得了不错的性能。这些方法大致可以分为域适应方法和完全无监督方法两类。在域适应方法方面，HUDA方法（Lan, Zhu, & Gong，2022）通过在两级层次结构中同时进行全局分布对齐和局部实例对齐，为无监督域适应寻找可迁移的源知识。CaCL方法（Lee等人，2023）则利用相机标签……

初步说明
设X={x1,x2,…,xi,…,xN}表示一个未标记的ReID训练集，其中xi为第i张未标记图像，N为人物图像的总数。我们的目标是训练一个能够提取行人稳定特征的模型。大多数完全无监督方法采用伪标签技术，通过像DBSCAN这样的传统聚类方法（Ester等人，1996）为行人生成伪标签A=?j=1KAj。此处，Aj={(pi,j,cj)}i=1Mj，其中cj=1,2,?,K表示具体的聚类编号。

隐私保护
在发布我们的数据集之前，我们确保数据集中的每一位参与者都签署了同意书。该同意书允许收集他们的生物特征信息并用于学术研究目的。

数据集描述
在数据集收集过程中，我们在10多个不同的场景中操作无人机。拍摄到行人后，我们利用无人机相机中的时空信息对原始视频帧进行处理和关联，从而为每个人物生成身份标签。

实现与评估方案
我们遵循了Zhu等人（2022）的PASS-ReID无监督设置。所有实验都在RTX 3090显卡上进行。除了我们提出的多场景无人机ReID数据集外，我们还在其他包含空中视角的ReID数据集上进行了实验，如Zhang等人（2020）的PRAI-1581数据集和Li等人（2021）的UAV-Human数据集。这些数据集的详细信息见表1。我们提出的数据集的评估方案详见第4.2节。PRAI-1581数据集被随机划分……

结论
在本文中，我们提出了一种无监督的空中人物ReID方法。现有的无监督方法难以应对无人机高度变化带来的挑战，这会导致聚类后在特征空间中出现大量同一身份的异常值，或者出现分类碎片化的问题。为了解决这些问题，我们提出了不确定性感知原型整合（UPC）方法。具体而言，我们首先对标签的不确定性进行评估，然后提出两种处理机制：异常值处理和聚类融合……

作者贡献说明
陈鸿旭：写作——审阅与编辑，写作——初稿撰写，数据集收集与标注，可视化，验证，方法论，研究分析，形式化分析，概念设计。
陆志志：写作——审阅与编辑，数据集收集与标注，验证，研究分析，形式化分析，数据整理。
黄宇丽：写作——审阅与编辑，数据集收集与标注，研究分析，数据整理。
谢晓华：写作——审阅与编辑，监督，资源协调。

未提及的利益冲突
表3. 利益冲突声明
作者声明，他们不存在任何可能影响本文工作的已知财务利益或个人关系。