SimMC：无监督骨架人员重识别的简单掩蔽对比学习

"无监督的基于骨架的方法可以实现人员重新识别" 无监督的人员重新识别（re-ID）是计算机视觉领域的一个重要课题，它涉及从不同的视角或环境下识别出同一个体。近年来，随着3D骨架数据的普及，基于骨架的re-ID技术因其对环境光照、遮挡等因素的鲁棒性而受到广泛关注。骨架数据提供了一种抽象的、低维度的表示，可以捕捉人体的关键动作和姿态信息，这对于无监督学习尤其有价值，因为它可以在没有标注的情况下学习到有用的特征。 传统的骨架re-ID方法主要依赖于手工设计的骨架描述符或深度学习模型来学习骨架表示。然而，这些方法往往需要预先存在的骨骼模型和标签信息，限制了它们在实际应用中的泛化能力。为了解决这个问题，本文提出了一种名为SimMC（Simple Masked Contrastive Learning）的无监督框架，该框架旨在从未标注的3D骨架数据中学习有效的表示。 SimMC的核心思想是利用掩蔽对比学习策略。首先，它采用掩蔽原型对比学习（MPC），通过随机掩蔽骨架序列的部分信息来创建多样性，然后聚类出最具代表性的骨架特征，即骨架原型。接着，通过比较骨架特征与这些原型之间的内在相似性，学习到区分性骨架表示。这一过程无需依赖标签，而是通过无监督的方式自我监督学习。 此外，SimMC还引入了带掩码的序列内对比学习（MIC）。考虑到同一序列内的不同骨架之间存在运动连续性，MIC旨在捕捉这种序列间模式的一致性，从而增强学习到的骨架表示的识别能力。通过这种方式，SimMC能够在序列内部建立更强的相关性，提升骨架表示的鲁棒性。 实验结果显示，SimMC在多个基准数据集上的表现优于现有的无监督re-ID方法，证明了其优越性能。此外，SimMC的可扩展性和提升现有模型性能的能力也得到了验证。代码已开源，可供研究者进一步探索和改进。 无监督的骨架re-ID技术对于智能监控、机器人导航和安全系统等应用场景具有重要意义，因为它能够在没有大量标注数据的情况下实现有效的行人识别。SimMC的提出为无监督学习提供了新的思路，为未来的研究开辟了道路，尤其是在数据稀缺或难以获得标注的情况下，这种方法有望成为解决re-ID问题的有效工具。