现有人重新识别(Reid)方法通常直接加载预先训练的ImageNet权重以进行初始化。然而,作为一个细粒度的分类任务,Reid更具挑战性,并且存在于想象成分类之间的大域差距。在本文中,通过自我监督的代表性的巨大成功的巨大成功,在本文中,我们为基于对比学习(CL)管道的对比训练,为REID设计了一个无人监督的训练框架,被称为上限。在预培训期间,我们试图解决学习细粒度的重点问题的两个关键问题:(1)CL流水线中的增强可能扭曲人物图像中的鉴别条款。 (2)未完全探索人物图像的细粒度局部特征。因此,我们在Up-Reid中引入了一个身份内 - 身份(i $ ^ 2 $ - )正则化,该正常化是从全局图像方面和本地补丁方面的两个约束:在增强和原始人物图像之间强制强制实施全局一致性为了增加增强的稳健性,而使用每个图像的本地斑块之间的内在对比度约束来完全探索局部鉴别的线索。在多个流行的RE-ID数据集上进行了广泛的实验,包括PersonX,Market1501,CuHK03和MSMT17,表明我们的上部Reid预训练模型可以显着使下游REID微调和实现最先进的性能。代码和模型将被释放到https://github.com/frost-yang-99/up -reid。
translated by 谷歌翻译