Unsupervised person re-identification (re-ID) aims to retrieve the same person across different camera-views for a given query without any labels. Recently, state-of-the-art methods that leverage pseudo-labels through clustering achieved competitive results. Despite improvements from the above methods, unreliable clusters and noisy pseudo-labels have remained problems. In this work, we propose Part-Guide Teaching (PGT) framework that effectively utilizes part-local features to address these problems. The proposed framework performs robust clustering based on part-wise relationships and refines hard pseudo-labels by guidance from part-local feature classifiers. Our refinement process works online in a self-teaching manner, which does not require additional teacher networks that need a high computational cost in the training stage. Experiment on Market-1501 and DukeMTMC-reID demonstrates the superiority of the proposed methods.
비지도 사람 재인식은 학습 레이블 없이 주어진 질의와 동일한 사람을 다른 카메라 시점들에서 검색하는 것을 목표로 한다. 최근에는 클러스터링을 통해 의사 레이블을 얻어 학습에 활용하는 방법론들이 뛰어난 성과를 거뒀다. 위 방법론들의 개선에도 불구하고, 신뢰할 수 없는 클러스터와 부정확한 의사 레이블은 여전히 문제로 남아있다. 본 연구에서는 이러한 문제를 해결하기 위해 부분 특징을 효과적으로 활용하는 Part-Guide Teaching (PGT) 프레임워크를 제안한다. 제안된 프레임워크는 부분적 관계를 통해 견고한 클러스터링을 수행하고, 부분 특징 분류기를 통해 의사 레이블을 정제한다. 제안된 정제 과정은 온라인 자체 학습 방식으로 작동하며, 추가적인 학습 비용을 필요로 하는 추가적인 네트워크를 필요로 하지 않는다. Market-1501와 DukeMTMC-reID에 대한 실험은 제안된 방법론의 우수성을 입증하였다.
