【论文1】Unsupervised Person Re-identification via Multi-label Classification

附论文下载链接：https://arxiv.org/pdf/2004.09228.pdf](https://arxiv.org/pdf/2004.09228.pdf

【课题介绍】：北大Dongkai Wang，Shiliang Zhang的工作，录用于2020CVPR，首个利用多标签分类问题做无监督方面的行人再识别问题。本博只记录论文的理论思想以及idea的创新工作，便于后期回忆，具体实验细节部分请读者参见论文。

1、介绍

在无监督工作中，一般有**三类**：**一种**是传统方法做无监督，这类方法无论是在有监督还是无监督中都存在致命缺陷，就是提取特征不充分，自DL以来，逐渐摒弃，但不否定这类方法结合DL来做工作的可行性；**第二类**是利用K-means这类聚类方法，将无标签的数据通过聚类打上伪标签，在根据有监督的reid任务来做，但是通过聚类方法设定伪标签这类形式会大大降低准确率，因为较难样本的聚类总会出现偏差，会造成大量离群点，在聚类中产生很多噪音，从而影响聚类结果，使得标签出错，影响检索结果；**第三类**方法就是比较常见的利用迁移学习，主要是解决域适应的问题，这类方法思想是利用源域有标签的数据辅助训练，还有一些无标注的目标域数据训练，最终在目标域进行测试，目前，有工作在这类无监督reid中的精度结果已经与有监督的一些工作相当，但是这类方法也有一定的缺陷：有标签的源域以及无标签的目标域之间的数据存在于偏差.

所以这篇无监督工作（MPLP+MMCL）：不利用任何带有标签的数据进行训练，旨在做多标签分类问题，将每一张行人图片视作一类，最后将属于同一ID的多类标签判定类别。

如图，其核心方法主要是：

①MPLP（Memory-based Positive Label Prediction）：将每一张图片视作单分类任务，为了得到的label预测更准确，考虑了相似性计算（visual similarity）以及风格一致性（cycle consistency）两部分计算label【Yi~】得分。所有的提取特征放在memory bank中，以进行相似性计算以及相似性“邻居”【指的是i的检索序列和j的检索序列存在共有邻居，则i,j极可能一类】

②MMCL（memory-based multi-label classification loss）：多标签分类损失，将多标签分类以及单标签分类嵌入一个统一的架构联合训练。比较其他loss优点:去掉交叉熵损失的激活函数sigmoid的归一化操作，解决梯度消失的问题，采用L2；去掉softmax计算得分，大大减少计算量，直接利用每张图片得到的特征作为分类器，而不是经过softmax计算，简化计算过程。如：对于任意图片Xj，其多标签分类分数计算详见论文

2、核心技术

①MPLP：

MPLP首先根据Xi与其他图片的特征计算相似性得到一个排序列表，Si,j代表i与j的相似性得分：具体公式详见论文；

如果只根据排序列表做最终的标签预测，则保证不了质量，因为数据集存在遮挡，冗余，视角等等问题，不能只根据相似性考量。所以，MPLP采用两部分考量：

similarity score+cycle consistency

【similarity score】：就是直接考虑排序表靠前的几个候选者，具体的话，设置参数t阈值，进一步筛选top k的数据...

【cycle consistency】：借鉴互近邻的思想，意思是如果两张图片属于同一类，则他们的检索结果几乎是一致的；也就是说，如果两张图片的label一致，则他们会出现在各自的检索序列结果中。据此，提出根据cycle consistency在上述Pi中选择困难负样本。具体操作见论文细节（可见re-ranking以及HHL这两篇论文，加深理解）

   ②MMCL：

    Multi-Label Classification (MCL) loss计算详见论文中；其公式，引入超参数T，叫做MCL-τ损失：

    上述MCL损失存下两大问题：①梯度消失②模型崩塌

    所以引入MMCL损失：

    为解决第一个问题，即梯度消失，去除sigmoid激活函数直接拟合分数至[-1,1]，公式见论文：

    为解决第二个问题，即模型崩塌，也就是正样本与负样本不均衡的问题，引入难样本来解决。

    3、实验以及参数分析

    这部分具体看论文，实验比较全，涉及：具体超参数的分析以及方法的对比。在常用三个数据集上的实验效果不错，也对比现有的无监督方法，均有显著提升！