Page 272 - 《软件学报》2020年第9期

祁磊 等:弱监督场景下的行人重识别研究综述 2893

和干扰项.图 9 展示了部分数据集的实例图像,均来自 MARS [96] ,其中上下两行分别代表不同的 tracklet.

Fig.9 Examples from the video-based datasets
图 9 部分视频数据集的示例图像
4.2 评价标准

对于行人重识别算法的性能,通常使用累积匹配特性(cumulative match characteristic,简称 CMC)曲线和平
均精度均值(mean average precision,简称 mAP)来进行评估.
CMC 曲线能够综合反映分类器的性能,可以表示匹配目标出现在大小为 k 的候选列表中的概率.直观上,
CMC 曲线可以通过 Rank-k 准确率的形式给出,即目标的正确匹配出现在匹配列表前 k 位的概率.在行人重识别
问题中,通常关注 k={1,5,10,20}时的性能,即匹配目标的 k={1,5,10,20}准确率.例如 Rank-1 准确率表示正确匹配
出现在匹配列表第 1 位的概率,即查找 1 次即可返回正确匹配的概率.通常,最后的 Rank-k 准确率是指对所有检
索目标进行查询后取结果的平均值.
然而,当测试集中存在多个正确匹配时,Rank-k 准确率不能完整地对算法进行评估.Zheng 等人 [88] 考虑到行
人重识别的目标应将所有的正确匹配都检索出来,即在考虑查准率的同时,应当同时考虑查全率,因此建议采用
mAP 来将算法的检索召回能力考虑进去.具体地,mAP 的计算过程需遍历所有检索目标,对于每个检索目标分
别计算 AP(average precision)并取平均,而 AP 的计算过程即为求 PR(precision-recall)曲线下的面积的过程,即考
虑了目标在某些阈值下的查准率和查全率.因此在后续工作中,通常将 mAP 与 Rank-k 准确率结合在一起作为行
人重识别问题的评价指标,这样能够达到对算法性能进行全面评价的目标.

5 现有方法的性能及分析
本节将对现有弱监督场景下行人重识别算法的实验结果进行总结,并给出了分析和比较.

5.1 无监督方法
对于现有的无监督方法,我们总结了当前基于深度学习的方法在 3 个大规模数据集上的实验结果,即
Market1501 [88] ,DukeMTMC-reID [32] 和 MSMT17 [65] .其中包括基于伪标记的方法,如 TJ-AIDL [46] ,TFusion-uns [47] ,
DC [55] ,HCR [99] ,BUC [52] ,PAUL [44] ,MAR [43] ,PCB-R-PAST [50] ,SSG [48] ,ISSDA [53] 和 ACT [54] ;基于图像生成的方法,如
HHL [59] ,SyRI [61] ,PTGAN [65] ,SPGAN [63] ,ATNet [58] ,DA-2S [56] 和 CR-GAN [57] ;基于实例分类的方法,如 ECN [68] ,AE [70]
和 LAIM [69] ;基于领域自适应的方法,如 MMFA [71] ,CAT [73] 和 UCDA [74] .实验结果总结在表 3~表 5 中.
表 3 展示了现有无监督的方法在 Market-1501 数据集上的结果,其中,*表示没有使用有标记的源域数据进
行模型的预训练(即直接使用 ImageNet 预训练的模型),†表示使用除 DukeMTMC-reID,MSMT17 和 CUHK03 之
外的行人重识别数据集进行模型的预训练,−表示没有对应的实验结果,DukeMTMC-reID/MSMT17/CUHK03 表
示分别使用这 3 个数据集作为源域的实验结果.
表 4 展示了现有无监督的方法在 DukeMTMC-reID 数据集上的结果,其中,*表示没有使用有标记的源域数
据进行模型的预训练(即直接使用 ImageNet 预训练的模型),−表示没有对应的实验结果,Market-1501/MSMT17/
CUHK03 表示分别使用这 3 个数据集作为源域的实验结果.