3661Meta成对关系蒸馏的无监督人员身份再识别浩轩叶季1王乐1 * 周三平1唐伟2南宁郑1刚华31西安交通大学人工智能与机器人研究所2美国伊利诺伊大学芝加哥分校摘要由于缺乏地面真实标签，无监督人员重新识别（Re-ID）仍然具有挑战性。现有方法通常依赖于经由迭代聚类和分类估计的伪标签，并且不幸的是，它们非常容易受到由不准确的估计的聚类数量引起的性能损失的影响另外，我们提出了Meta Pairwise RelationshipDistillation（MPRD）方法来估计无监督人Re-ID的样本对的伪标签。具体地，它由卷积神经网络（CNN）和图卷积网络（GCN）组成，其中GCN基于由CNN提取的当前特征来估计样本对的伪标签，并且CNN通过涉及由GCN施加的高保真正样本和负样本对来学习更好的为了实现这一目标，少量的标记样本用于指导GCN训练，它可以提取Meta知识来判断正负样本对之间的邻域结构的差异在Market-1501、DukeMTMC-reID和MSMT 17数据集上的大量实验表明，我们的方法优于最先进的方法。1. 介绍给定查询行人图像，人再识别（Re-ID）的目的是将其与相同身份的目标行人图像进行匹配。它仍然具有挑战性，由于不同的视角，光线条件和背景杂波在不相交的场景中造成的大的外观变化。现有方法通常以监督的方式学习区分特征[39，35，2，1，25]，这需要大量的手动标记工作。由于这种注释的成本非常高，以无监督的方式训练人Re-ID系统已经成为一个流行和实用的研究课题。*通讯作者。Ranking list Rankinglist图1. 给出了两种伪标签估计方法，其中（a）传统方法直接利用两两相似度估计伪标签，（b）本文方法利用两两邻域结构估计伪标签。每个圆圈表示单个图像。绿色圆圈表示与查询图像相同的身份，深色表示高视觉相似性，而红色圆圈表示其他身份。最近的无监督人Re-ID方法[13，14，6]试图基于迭代聚类和分类从未标记的训练数据学习区分性特征嵌入。然而，它往往是不平凡的，以确定集群的数量，错误地估计集群数量的事故往往会在伪标签中引起过多的噪声。为了解决这些问题，我们将无监督判别特征学习重新表述为成对关系估计问题。在本文中，我们使用术语正对来表示具有相同感知身份的一对行人图像;相反，负对表示具有不同感知身份的图像。在由GCN指定的嵌入中，正对被拉得更近;而负对被推离彼此。用这种软语义保持规则代替聚类排行榜成对相似性（q，i）1（q，i）2（q，i）3成对伪如果K2标签（1，0，0）QI1我2我3对如果K=2（1，1，0）如果K>2（1、1、1）KNN（q，QI1基线网络qi2（q，成对伪标签（1，0，成对标签估计GCN（qQI3成对邻域结构对(b)我们的方法I1I2I33662算法，避免了确定聚类数的困境。在无监督学习范式中，我们需要在不依赖于人类注释的情况下区分这些正对和负对。一种直观的解决方案是将视觉相似性分数阈值化作为标准，即，将具有高视觉相似性的两个图像然而，与许多其他基于阈值的技术一样，该标准在实践中是不可靠的。例如，如图1（a）所示，对（q，i2）的视觉相似性得分高于对（q，i3），这与地面实况相矛盾。可替代地，我们认为图结构更适合于估计成对标签，如图1（b）所示，其利用上下文信息来推断（q，12）的正确成对伪标签。在 本 文 中 ， 我 们 提 出 了 Meta 配 对 关 系 蒸 馏（MPRD）方法的无监督的人重新识别。它包括卷积神经网络（CNN）和图卷积网络（GCN），其中GCN通过从少量标记样本中学习的Meta知识来估计样本对的伪标签，CNN根据估计的伪标签从输入图像中学习区分特征。具体地，CNN和GCN以交替方式训练，其迭代地且分别细化其每图像特征和成对伪标签。在每次迭代时，CNN提取当前每图像特征，并通过其与先前特征的线性组合来更新特征存储器。然后，根据视觉相似性度量，通过将每幅图像与其邻居连接来估计成对邻居结构然后将所得的图结构馈送到GCN中以推断样本对的伪标签。经验上，我们发现在没有任何监督的情况下很难训练GCN，因此，我们利用少量的标记元数据来显式地监督GCN，这大大有助于其鲁棒性。GCN仅用于为CNN训练提供伪我们在Market-1501[34]，DukeMTMC-reID [20]和MSMT 17 [26]数据集上评估了我们提出的方法。总之，本文的贡献总结如下。1. 我们将无监督判别特征学习任务重新表述为成对关系估计问题，这避免了大多数现有方法中估计聚类数的易出错步骤。2. 我们提出了用于无监督人Re-ID的MPRD方法，该方法在训练阶段将专用GCN作为成对伪标签生成器，并且其迭代地用更好的CNN特征来细化其估计的标签。3. 我们设计了一个有效的GCN，它基于成对邻域结构生成高保真伪标签。真的。2. 相关工作监督人重新识别方法在其训练过程期间需要劳动密集型标记图像早期的方法通常为图像检索提取每个图像的全局特征表示[28，18，10]。在Per sonNet [28]中，一个小规模的卷积滤波器捕获细粒度的线索。通过组合这些线索和自动确定的尺度权重，在[18]中学习多尺度判别特征。SPRe-ID [10]采用人类语义解析技术来捕获像素级区分线索。当背景杂乱或行人被遮挡时，部分级别的特征被显示为通过挖掘有区别的身体区域来提高性能[22，19，42，5，41]。注意力和多重损失也被用于从多视图角度增强表征学习[29，33，4，21，40]。无监督的人重新识别方法解除了对成本高昂的注释的要求，其包括基于手工制作的特征的方法[12，34]、无监督的域自适应方法[7，36，37，16，9]、基于人工制作的特征的方法[12，34]、基于人工制作的特征的方法[12，35]、基于人工制作的特征的方法[12，36]11，3，31，43]和完全无监督方法[13，6，27，15，24，14]。手工制作鲁棒特征以处理由不同相机模型、变化的照明和视点引起的外观变化是非常具有挑战性的。基于无监督域自适应的方法利用具有标签的源数据集上的先验知识，并尝试在另一个未标记的目标数据集上进行泛化。HHL [36]强制执行相机不变性和域连接性以提高泛化。ECN [37]引入了一个范例存储器来存储目标域的特征，并适应目标域属性的示例不变性、相机不变性和邻域不变性。SSG [7]利用未标记样本的潜在相似性（来自全局身体和局部部分），从不同视图自动构建多个聚类Mekhazniet.al。[16]设计基于差异的最大平均差异损失来弥合域差距。ADTC [9]使用无监督体素注意力和两阶段聚类策略来解释图像中的变化。一些完全无监督的方法由从嵌入上的聚类结果获得的伪监督指导[13，6，14]。SSLR [15]用软标签代替硬独热MLCR [24]通过基于记忆的正标签预测（MPLP）为每个训练样本预测“多标签”，并通过基于记忆的多标签分类损失学习区分特征。由于固有的3663|·|M FM⟨··⟩|| ||FM·图2. MPRD概述。初始化的骨干网络提取训练图像的特征。然后，GCN推断特征与其邻居之间的成对关系，用于训练CNN模型。最相关的现有方法是MLCR [24]，其将无监督人员Re-ID任务重新表述为多标签分类问题。然而，我们认为，我们的MPRD不同MLCR在两个方面。首先，我们将该任务转化为一个成对关系估计问题;其次，我们设计了一个有效的GCN模型，以提供高保真的伪标签。第5.3节中的消融研究验证了MPRD3. Meta成对关系蒸馏其中γ（t）表示迭代相关的更新速率。这种特征记忆机制实际上实现了迭代过程中的平滑操作，潜在地减少了特征中的剧烈振荡。损失函数假设成对伪标签由GCN提供，我们引入二项式偏差（BD）损失[30]函数LF来训练CNN，其旨在最小化正对中的距离并最大化负对中的距离。n给定未标记的数据集X={xi}N，其中xide-L=1ΣδΣζ（α（λ-∠F~（x），M~[j]∠））我注意到第i输入图像，以及i=1N表示Fni=1 |Pi |xj∈Pi（二）训练样本，MPRD估计成对伪+1Σζ（α（ 1，我们首先从Pi中随机抽取一个样本xri。对于每个xrj其中ri=rj，我们给（xri，xrj）分配一个伪位置对标号当且仅当xrjNNk（xri）。同时在第一次迭代中，我们随机抽取不同的图像以形成负对。在随后的迭代中，我们从N * i中随机选择Pi个图像来生成负对。2. 对于标记的Meta数据集Z中的每个图像zi，我们随机绘制相同身份的两个图像以生成一个正对，并且随机绘制不同身份的两个图像以生成一个负对。此外，X中的每个图像xj可以与zi配对以生成一个负对。在获得具有伪标签的样本对之后，我们构造成对邻域结构Gij，并将其相应地插入到Pi或Ni中。参数更新。在准备好成对邻域结构和伪标签的情况下，我们应用SGD算法来如下更新GCN的参数。二进制滤波以提高Pi的保真度如下（吨）（t−1）LG.ΘGΘ（t−1）G其中μ是确保xi和xi具有相同身份的预定义似然阈值同时，根据等式（1）获得在iv e样本列表N*i处的硬n eg。 （三）、参数更新。我们应用随机梯度下降（SGD）算法来更新我们的CNN模型的参数，其可以用公式表示如下，其中β2是学习率。在实践中，我们分别从标记的Meta数据和未标记的数据中选择n′/2和n′/2个然后，我们构造成对邻域结构以从未标记数据和从标记的Meta数据计算Lu/ΘG，并计算线性它们的组合（吨）（t−1）LFLGLuLmΘ（t−1）FΘG.Pi={xj|xj∈ NN k（xi），g ij> μ}，（7）、（9）.ΘF、（8）=+η（t）3667F×个FGFGG其中η（t）是迭代相关的加权因子，其表示由元数据生成的成对邻域结构的数量与由每个小批次中的未标记数据生成的成对邻域结构的数量的比率它随着迭代而单调下降在训练的早期阶段，较大的η（t）值有助于减轻未标记数据中的噪声标签的影响在稍后的迭代阶段，具有从未标记部分提取的伪标记的成对邻域结构的数量增加，因此η（t）被设置为较小以匹配该趋势。5. 实验5.1. 数据集和评价方案数据集。我们在三个标准的大规模Person Re-ID数据集 上 评 估 了 我 们 的 方 法 ， 包 括 Market-1501 [34] 、DukeMTMC-reID [20]和MSMT 17 [26]。Market-1,501由6个相机捕获的1,501个身份的32,668个图像组成，其中训练集包括751个身份的12,936个图像，并且测试数据集包括750个身份的DukeMTMC-reID由8个摄像头捕获的1，812个身份的36，411个图像组成，其中训练数据集包括702个身份的16，522个图像。MSMT 17是最大的Person Re-ID数据集，它包括由15个摄像头捕获的4，101个身份的126，411张图像，其训练集有1，041个身份的32，621张图像，而其测试数据集有3，060个身份的93，820个边界框。评价方案。在[34，20，26]之后，我们使用检索精度度量累积匹配特征（CMC）得分和召回度量平均平均精度（mAP）来评估性能。5.2. 实现细节我 们 在 PyTorch [17] 中 使 用 单 个 NVIDIA GeForceGTX 1080Ti GPU实现了我们的方法对于CNN部分，我们采用ResNet 50 [8]，删除了pooling-5之后的层对于输入图像，产生2048维特征。 与[24，11]类似，对于输入图像，我们使用CamStyle [38]进行数据增强并将其调整为256 128，然后使用随机裁剪，随机旋转，随机颜色抖动和随机擦除对其进行对于扰动后的图像，我们增加了随机灰度转换和随机高斯模糊。以交替的方式，我们使用具有0的SGD训练CNN和GCN。9动量。训练时期的数量被设置为40。对于，ResNet50主干的初始学习率设置为0.01，所有其他层的初始学习率设置为0.1。 学习率降低了10在20个时期之后，训练小批量大小为32。对于，初始学习率为0.001，似然阈值μ为0.5，小批量大小为32。对于特征存储器M，更新速率γ（t）在第一时期开始于1，并且方法市场-秩-11501地图dukemtmc-Reid1级mAPSuper.87.068.575.656.7KNN72.735.259.432.9SS72.839.960.034.3MPLP*80.044.564.639.8MPRD w/o75.843.161.134.9MPRD编号73.039.357.436.7发展运动83.051.167.443.7单个46.115.538.314.6表1.不同伪标签生成方法的性能 和所有方法都包含相同的二项式偏差损失。“MPLP*”中的“*”标记表示此实现基于作者发布的代码。“MPRD#” and “MPRD w/o” denote ablated MPRDwith CamStyle在第40个历元处线性减小到0.5。在二项式偏差损失中，权重δ固定为5，r是1%阴性样本的数量，如[24]所示此外，我们设置α = 4。0且λ1=λ2=0。二、少量标记的Meta数据涉及从训练数据中随机选择的五个标记的身份。具体地，少量的标记的元数据仅用于训练。k的值是8和与输入图像的余弦相似度大于0.6的图像的数目之间的最大值5.3. 消融研究MPRD的有效性。我们比较MPRD对其他伪标签生成方法，包括KNN搜索，余弦相似性得分（表示为SS选择具有相似性阈值的正样本MPLP在[24]中提出，其经由相似性得分和循环一致性以高准确度预测对于KNN，我们根据经验设置K=8，此时其性能达到峰值;对于SS，我们将相似性阈值设置为0.6;对于MPLP，我们将其与基于其由作者发布的代码的二项式偏差损失合并。在相同的设置下（5.2节），我们还进行了2个基线实验，即，具有地面实况的完全监督的re-ID（表示为“超级”）。错误监督的re-ID，其中图像索引作为标签（在表1中表示为另外，比较了两种消融的MPRD变体，即，移除CamStyle数据增强的MPRD（没有绝大多数未标记的数据，在表1中表示为根据表1，SS优于KNN，其可以3668G方法market-15011级mAPdukemtmc-Reid1级mAPMLCR*80.144.764.940.6MLCR（+5id）*80.245.065.340.9MPRD（0id）80.946.865.640.1发展运动83.051.167.443.7图4.GCN中不同似然阈值μ的评估这要归功于其更灵活的伪标签。在结合GCN模型之后 ， MPRD 实 现 了 比 SS 显 著 的 性 能 优 势 ， 即 ， 在Market-1501上，1级准确度从72.8%增加到83.0%，并且mAP从39.9%增加到51.1%。比较在Market- 1501上，MPRD在Rank-1准确度和mAP上分别比“MPRD w/o”高7.2和8个百分点类似的趋势也出现在DukeMTMC-reID上。另外，“MPRD#”在没有CamStyle的情况下实现73.0%的等级-1准确度和39.3%的mAP。这些结果证明了所提出的MPRD的有效性，并表明CamStyle提高了性能。可能性阈值μ的影响。由方程式（7），μ确定两个图像是否具有相同的同一性，其灵敏度分析如图4所示。性能分析采用0.1至0.9的µ值，步长为的0.1。我们观察到，秩-1的准确性和mAP指标缓慢而平稳地增加，直到大约0.5，然后突然下降。我们推测，极端的µ值会降低性能，即太小的µ值会导致许多假阳性对，而太大的µ值会导致许多假阴性对。基于这些实验，我们凭经验确定μ= 0。五、少量标记Meta数据的影响 由于我们的方法引入了少量的标记Meta数据来启动GCN的训练，因此我们分析了其对竞争MLCR方法的影响。为了公平比较，我们让MLCR访问相同数量的标记Meta数据作为额外的监督。我们还比较了不同数量的标记的Meta数据在不同的变体的MPRD的效果只要输入训练数据属于标记的元数据集，我们就让MLCR通过将伪标签替换为真实标签来访问相同的标记的Meta在表2中，上部分示出了在额外少量的标记的Meta数据的情况下，表2的底部比较了MPRD变体表2.Meta数据效应的消融研究 “MPRD(0id)”具有不同量的标记的Meta数据集，其中如果该标记的基于数据的跳转开始部分被完全移除，则当标记身份的量为5时，我们观察到Market-1501和DukeMTMC-reID上的秩-15.4. 与最新技术水平的我 们在 Market-1501 [34]，DukeMTMC-reID [20]和MSMT 17 [26]数据集上评估了拟议的MPRD。虽然使用少量的标记Meta数据来指导GCN的训练过程，但我们的方法也适用于无监督的人员重新识别，因为只有很少的标记数据用于训练GCN，并且训练特征提取CNN模块仅使用未标记数据。将所提出的方法与最先进的无监督Person Re-ID方法进行比较：[2019 - 02 -16][2019 - 02 - 01][2019 - 01][15][16][17][18][19][19][19][19]表3和表4总结比较。表3示出了所提出的方法和现有技术方法对Market-1501和DukeMTMC-reID的结果。在Market-1501上，我们的MPRD实现了比MLCR高2.7%的rank-1准确度和高5.6%的mAP。与JVTC相比，我们的MPRD实现了高10.1% 的 rank- 1 准 确 度 和 高 9.3% 的 mAP 。 在DukeMTMC-reID上，我们的MPRD实现了比MLCR高2.2%的rank-1准确度和高3.5%的mAP与JVTC相比，我们的MPRD有一个视线0.2%的低秩-1的准确性，但实现了1.5%的高mAP。我们还在MSMT17上进行实验，并且结果呈现在表4中。从表中可以看出，我们的MPRD实现了37.7%的rank-1准确度和14.6%的mAP。在所有的竞争算法中，MLCR是最相关的一个，我们提出的MPRD。如上述结果所证实的，MPRD在Market-1501、DukeMTMC-reID和MSMT 17上的表现优于其我们推测这种性能优势来自以下几个方面。 我们提出的3669示例1示例2示例3(a)无GCN(b)关于GCN方法Market-1501dukemtmc-Reid秩-1秩-5十阶地图秩-1秩-5十阶地图LOMO [12]（CVPR15）27.241.649.18.012.321.326.64.8BOW [34]（ICCV15）35.852.460.314.817.128.834.98.3BUC [13]（AAAI19）66.279.684.538.347.462.668.427.5DBC [6]（BMVC19）69.283.087.841.351.564.670.130.0TSSL [27]（AAAI20）71.2--43.362.2--38.5SSLR [15]（CVPR20）71.783.887.437.852.563.568.928.6MLCR [24]（CVPR20）80.389.492.345.565.275.980.040.2JVTC [11]（ECCV20）72.984.288.741.867.678.081.642.2发展运动83.091.393.651.167.478.781.843.7表3.在Market-1501和DukeMTMC-reID数据集上使用最先进的方法进行无监督人员重新识别性能方法MSMT17一品五品十品地图MLCR [24]35.444.849.811.2JVTC [11]39.050.956.815.1发展运动37.751.357.114.6表4.在MSMT17数据集上使用最先进的方法进行无监督人员重新识别性能MPRD通过其GCN引入样本对之间的邻居结构信息。通过迭代和交替训练，GCN逐渐学习和细化正负样本对之间的邻域结构的区别，并为CNN训练提供更高保真的伪监督。GCN和CNN的交替、协作训练可以负责性能益处。5.5. 定性结果为了直观地理解MPRD的有效性，我们通过t-SNE[23]可视化 Market-1501训练集上的学习特征，没有和有GCN，如图5所示。通过并排比较两组学习特征，在引入GCN之后，相同身份的点被拉得彼此更靠近，如示例3所示，其中黄色点更集中在右侧。在没有GCN的情况下，不同身份的点彼此嵌入得太近的挑战性情况（实施例1和实施例2）通过引入GCN来解决对于示例2，品红色点、蓝色点和青色点在没有GCN的嵌入空间中彼此高度接近。相反，它们在具有GCN的嵌入空间中被很好地分离6. 结论在本文中，我们提出了MPRD方法来解决无监督的人的Re-ID任务。与先前的方法不同，这些方法通过迭代图5.对Market-1501训练集的100个身份的学习特征的T-SNE可视化具有相同颜色的点具有相同的标识。（a）在没有GCN的情况下和（b）在有GCN的情况下学习的特征的分布。聚类或分类，我们的方法在训练阶段不需要确定聚类的数量建议的MPRD重新制定的无监督判别特征学习任务成一对关系估计问题。GCN用于基于样本对的邻居之间的图结构来估计样本CNN根据这些估计的成对关 系 标 签 从 输 入 图 像 中 学 习 区 分 在 Market-1501 、DukeMTMC-reID和MSMT 17数据集上的大量实验证明了该方法在无监督Person Re-ID任务中的有效性。谢 谢 。 本 工 作 得 到 了 国 家 重 点 研 发 项 目2018AAA0101400、国家自然科学基金资助62088102、61976171、61773312和62106192，国家博士后科学基金面上项目，批准号：2020M683490、2018QNRC001中国科协青年科学家资助项目、2018QNRC001山西省自然科学基金青年项目。2021JQ-054。3670引用[1] Binghui Chen，WeiongDeng，and Jani Hu.混合高阶注意网络用于人的再识别。在ICCV，第371-381页一个[2] Guangyi Chen ， Chunze Lin ， Liangliang Ren ， JiwenLu，and Jie Zhou.自我批判注意学习对人的再认同。在ICCV，第9636-9645页，2019年。一个[3] Guangyi Chen，Yuhao Lu，Jiwen Lu，and Jie Zhou.深度可信度量学习用于无监督域适应人员重新识别。参见ECCV，第643-659页，2020年。二个[4] 陈天龙、丁少金、谢静怡、叶远、陈武扬、杨阳、周仁、王张扬。Abd-net：细心但多样化的人重新识别。在ICCV，第8350-8360页二个[5] De Cheng ， Yihong Gong ， Sanping Zhou ， JinjunWang，and Nanning Zheng.基于改进三重丢失函数的多通道部件cnn的在CVPR，第1335-1344页二个[6] 丁国栋，萨尔曼汗，唐振民。基于离散度聚类的无监督人员再识别。在BMVC，第264页，2019年。一、二、七、八[7] Yang Fu ， Yunchao Wei ， Guanshuo Wang ， YuqianZhou ， Honghui Shi ， and Thomas Huang. 自 相 似 性 分组：一个简单的无监督跨域适应方法的人重新识别。在ICCV，第6111二个[8] Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习CVPR，第770-778页，2016年三、六[9] 姬子龙，邹小龙，林晓涵，小刘，黄铁军，吴思。基于注意力驱动的两阶段聚类方法的无监督人物再识别。在ECCV中，第20-36页，2020年。二个[10] 马赫迪M.放大图片创作者：Alfred J. Kamasak和MubarakShah人的语义分析，用于人的重新识别。在CVPR中，第1062- 1071页，2018年。二个[11] 李佳宁和张世良。无监督域自适应人物再识别的联合视觉和时间一致性。 在ECCV，第483-499页，2020中。二六七 8[12] Shengcai Liao，Yang Hu，Xiangyu Zhu，and Stan Z Li.基于局部最大发生表示和度量学习的人物再识别。在CVPR，第2197-2206页，2015年。二七八[13] 林宇天，董宣义，郑良，严妍，杨毅。一种自底向上的聚类方法，用于无监督的个人重新识别。在AAAI，第8738-8745页，2019年。一、二、七、八[14] Yutian Lin，Yu Wu，Chenggang Yan，Mingliang Xu，and Yi Yang.经由跨相机相似性探索的无监督人重新识别IEEE TIP，29：5481-5490，2020。一、二[15] 林宇天，谢灵犀，吴宇，严成刚，齐天。通过软化相似性学习的无监督人员重新识别在CVPR，第3387-3396页，2020年。二七八[16] Djebril Mekhazni、Amran Bhuiyan、George Ekladious和Eric Granger。无监督域自适应在DIS-相似性空间用于人重新识别。在ECCV，第159-174页二个[17] Adam Paszke，S. Gross，Soumith Chintala，G. Chanan、E.放大图片作者：Yang，Zachary Devito，Zeming Lin，Alban Desmaison，L. Antiga和A.Lerer pytorch中的自动微分。InNeurIPS-W，2017. 六个[18] Xuelin Qian，Yanwei Fu，Yu-Gang Jiang，Tao Xiang，and Xiangyang Xue.用于人员重新识别的多尺度深度学习架构。在ICCV，第5409二个[19] Ruijie Quan，Xuanyi Dong，Yu Wu，Linchao Zhu，andYi Yang. Auto-reid：搜索部件感知的convnet以重新识别人员。在ICCV，第3749二个[20] Ergys Ristani ， Francesco Solera ， Roger Zou ， RitaCucchiara，and Carlo Tomasi.多目标、多相机跟踪的性能测量和数据集。ECCV，第17-35页，2016年。二六七[21] 宋春风、黄燕、欧阳万里、王良。面具引导的对比注意模型用于人的再识别。在CVPR中，第1179-1188页，2018年。二个[22] Yifan Sun，Qin Xu，Yali Li，Chi Zhang，Yikang Li，Shengjin Wang，and Jian Sun. 感知重点在哪里：学习可见性感知的部分级特征以用于部分人重新识别。在CVPR，第393-402页，2019年。二个[23] Laurens Van der Maaten和Geoffrey E.辛顿使用t-sne可视化 数 据 。 Journal of Machine Learning Research ， 9（11）：2579-2605，2008. 八个[24] 王东凯和张世良经由多标签分类的无监督人在CVPR中，第10978-10987页，2020年。二三六七八[25] Guan'an Wang ， Shuo Yang ， Huanyu Liu ， ZhichengWang，Yang Yang，Shuliang Wang，Gang Yu，ErjinZhou，and Jian Sun.高阶信息很重要：学习关系和拓扑结构的遮挡人重新识别。在CVPR中，第6448-6457页，2020年。一个[26] Longhui Wei，Shiliang Zhang，Wen Gao，and Qi Tian.人员转移甘桥梁域差距的人重新识别。在CVPR，第79-88页，2018年。二六七[27] 吴桂乐，朱夏田，龚少刚。Tracklet自监督学习用于无监督人员重新识别。在AAAI，第12362-12369页，2020中。二七八[28] Lin Wu，Chunhua Shen，and Anton van den Hengel. 人员-网络：使用深度卷积神经网络进行人员重新识别。载于arXiv：1601.07255，2016。二个[29] Bryan （ Ning） Xia ，Yuan Gong ， Yizhe Zhang ， andChristian Poellabauer.二阶非局部注意力网络用于人的再识别。在ICCV，第3759二个[30] Dong Yi，Zhen
