Page 275 - 《软件学报》2020年第9期

2896 Journal of Software 软件学报 Vol.31, No.9, September 2020

记但摄像头间无标记的场景,如 ACAN [85] ,MTML [87] 和 PCSL [86] .所有方法的实验结果总结在表 6 和表 7 中.表 6
展示了现有的半监督方法在图像数据集 Market1501,DukeMTMC-ReID 和 MSMT17 上的结果,其中,−表示没有
对应的实验结果;表 7 展示了现有的半监督方法在视频数据集 MARS,DukeMTMC-VideoReID 和 DukeMTMC-
SI-Tracklet 上的结果,其中,−表示没有对应的实验结果.特别地,与大部分无监督方法会涉及到源域和目标域的
数据集不同的是,半监督的方法中只有目标域的数据集.
Table 6 Results of existing semi-supervised methods on image-based datasets
表 6 现有的半监督方法在图像数据集上的结果
Market-1501 DukeMTMC-ReID MSMT17
方法 发表
mAP R-1 R-5 R-10 R-20 mAP R-1 R-5 R-10 R-20 mAP R-1 R-5 R-10 R-20
Distilled-ReID [80] 35.4 63.7 −− −− −− 36.7 57.4 −− −− −− −− −− −− −− −− CVPR2019
MVC [81] 52.6 75.2 −− −− −− 37.8 57.6 −− −− −− −− −− −− −− −− PR2019
One-Example [82] 26.2 55.8 72.3 78.4 83.5 28.5 48.8 63.4 68.4 73.1 −− −− −− −− −− TIP2019
TAUDL [83] 41.2 63.7 −− −− −− 43.5 61.7 −− −− −− −− −− −− −− −− ECCV2018
UTAL [84] 46.2 69.2 −− −− −− 44.6 62.3 −− −− −− 13.1 31.4 −− −− −− TPAMI2019
TSSL [100] 43.3 71.2 −− −− −− 38.5 62.2 −− −− −− −− −− −− −− −− AAAI2020
TASTR [101] −− −− −− −− −− 54.9 74.1 85.5 89.0 91.8 −− −− −− −− −− arxiv2019
UGA [75] 70.3 87.2 −− −− −− 53.3 75.0 −− −− −− 21.7 49.5 −− −− −− ICCV2019
ACAN-GRL [85] 50.6 73.3 87.6 91.8 −− 46.6 65.1 80.6 85.1 −− 11.2 27.1 40.9 47.3 −− arxiv2019
ACAN-OCE [85] 47.7 72.2 86.3 90.4 −− 45.1 67.6 81.2 85.2 −− 12.6 33.0 48.0 54.7 −− arxiv2019
MTML [87] 65.2 85.3 −− 96.2 97.6 50.7 71.7 −− 86.9 89.6 18.6 44.1 −− 63.9 70.0 ICCVW2019
PCSL-C [86] 69.4 87.0 94.8 96.6 −− 50.0 70.6 82.4 85.7 −− 20.7 48.3 62.8 68.6 −− arxiv2019
PCSL-D [86] 65.4 82.0 92.2 95.1 −− 53.5 71.7 84.7 88.2 −− 20.5 45.1 61.0 67.6 −− arxiv2019
Table 7 Results of existing semi-supervised methods on video-based datasets
表 7 现有的半监督方法在视频数据集上的结果
MARS DukeMTMC-VideoReID DukeMTMC-SI-Tracklet
方法 发表
mAP R-1 R-5 R-10 R-20 mAP R-1 R-5 R-10 R-20 mAP R-1 R-5 R-10 R-20
One-Example [82] 42.6 62.8 75.2 80.4 83.8 63.3 72.9 84.3 88.3 91.4 −− −− −− −− −− TIP2019
TAUDL [83] 29.1 43.8 59.9 −− 72.8 −− −− −− −− −− 20.8 26.1 42.0 −− 57.2 ECCV2018
UTAL [84] 35.2 49.9 66.4 −− 77.8 72.1 74.5 88.7 −− 96.3 36.6 43.8 62.8 −− 76.5 TPAMI2019
TSSL [100] 30.5 56.3 −− −− −− 64.6 73.9 −− −− −− −− −− −− −− −− AAAI2020
UGA [75] 39.3 58.1 73.4 −− 81.4 −− −− −− −− −− −− −− −− −− −− ICCV2019
ACAN-GRL [85] 49.1 59.2 77.1 −− 86.7 −− −− −− −− −− 43.0 52.0 71.0 −− 82.0 arxiv2019
ACAN-OCE [85] 47.5 57.7 75.1 −− 84.0 −− −− −− −− −− 40.3 50.4 68.0 −− 81.2 arxiv2019
PCSL-C [86] 62.2 70.5 87.0 −− 94.2 −− −− −− −− −− 37.3 47.3 65.4 −− 75.9 arxiv2019
PCSL-D [86] 57.5 65.6 83.1 −− 91.9 −− −− −− −− −− 43.1 52.3 72.3 −− 84.4 arxiv2019

对于少量的人有标记的场景,MVC [81] 和 Distilled-ReID [80] 的设定并不相同,因此它们并不具有可比较性.对
于每一个人有少量标记的场景,在现实应用中,该方法并不是可行的.这是因为如果需要知道整个数据集行人的
数量,就必须要对整个数据集进行标注,即这种设定不具有现实应用价值,因此针对该类场景的研究方法较少.
对于基于 tracklet 的场景,本文中我们将其归类为半监督的方法,因为 tracklet 中的每个图像默认为同一个标记.
特别地,一些方法在基于图像的行人重识别数据集中,假定每个摄像头內的人的所有图像在一个 traklet 內,即对
于这些数据集已经给定了摄像头內的标记信息.这类方法在近年来得到了较多的关注,一些研究工作主要关注
在如何在摄像头內获得不重复的 tracklet 上,例如使用时序信息来缓解该问题;除此之外,如何建立跨摄像头间
的联系也是该类方法需重点解决的问题.由于这类方法采用了基于 tracklet 的标记信息,因此该类方法相对于无
监督的行人重识别别方法,整体来看具有更好的性能.进一步,Qi 等人 [85] 基于 tracklet 的场景定义了一种新的半
监督场景的学习方式,即摄像头內有标记而摄像头间无标记的场景.相对于基于 tracklet 学习方法,该方法在基
于视频的图像数据集上具有更好的性能.主要原因在于:基于 tracklet 的方法通过采样的方法,并未完全使用摄
像头的数据;而基于摄像头內给定标记的场景能够有效地利用所有的数据,并且摄像头內的标记并不需要大量
的人工成本.因此,该类方法在现实中具有重要的研究意义.另外,ACAN [85] 基于数据分布的视角来解决跨摄像头
间无标记的问题,而 MTML [87] 和 PCSL [86] 直接采用关联的方法来建立跨摄像头样本间的关联性.从实验结果来
看,直接建立样本间的关联性,相较于从数据分布的视角解决跨摄像头间无标记的问题,具有更好的性能.