Page 368 - 《软件学报》2021年第12期

4032 Journal of Software 软件学报 Vol.32, No.12, December 2021

4.3.2 近邻中心迭代策略的有效性
如表 2、表 3 所示,表示 p 取 0.05~0.3 时,NCI 策略相比于 EUG 在 rank-1 accuracy(%)、mAP(%)、伪标
签准确率M(%)有着全面性的提升.
• 当两种方式均取 p=0.10 时,在 DukeMTMC-VideoReID 数据集上,NCI 的 rank-1 精度提升 2.61%,mAP
精度提升 3.84%,伪标签的预测精度提升 1.61%;在 MARS 数据集上,NCI 的 rank-1 精度提升 2.78%, mAP
精度提升 6.12%,伪标签的预测精度提升 4.04%;
• 均取 p=0.05 时,在 DukeMTMC-VideoReID 数据集上,NCI 的 rank-1 精度提升 1.61%,mAP 精度提升
3.17%,伪标签的预测精度提升 1.13%;在 MARS 数据集上,NCI 的 rank-1 精度提升 1.93%,mAP 精度提
升 3.35%,而伪标签的预测精度提升 1.97%.
综合以上分析能得出,增长率 p 取 0.05~0.3 时,无论是 rank-1,mAP 精度还是伪标签的准确率,均有了极大的
提升.由此得出,本文提出的 NCI 相比于最新的策略 EUG 有着全面的性能提升.
4.3.3 损失控制策略的有效性
表 3 是联合 NCI 和损失控制策略分别在 DukeMTMC-VideoReID 和 MARS 数据集上的实验结果与 NCI
在 rank-1 accuracy(%)、mAP(%)、伪标签准确率M(%)的比较,以验证损失控制策略的有效性.如表 3 所示,NCI
和损失控制策略联合训练的结果与 NCI 进行比较可得:
• 当均取 p=0.10 时,DukeMTMC-VideoReID 数据集上,rank-1 精度提升 6.1%,mAP 精度提升 7.5%,伪标签
准确率提升 5.36%;在 MARS 数据集上,rank-1 精度提升 0.7%,mAP 精度提升 0.6%,伪标签的准确率提
升 0.51%;
• 当 p=0.05 时,DukeMTMC-VideoReID 数据集上,rank-1 精度提升 5.9%,mAP 精度提升 7.6%,伪标签的准
确率提升 4.82%;在 MARS 数据集上,rank-1 精度提升 2%,mAP 精度提升 2.9%,伪标签的准确率提升
3.48%.
Table 3 Comparison of loss control strategy results
表 3 损失控制策略结果的对比 (%)
DukeMTMC-VideoReID MARS
Methods rank-1 rank-5 rank-20 mAP M rank-1 rank-5 rank-20 mAP M
[9]
EUG (p=0.10) 70.79 83.61 89.60 61.76 71.62 57.62 69.64 78.08 34.68 58.97
NCI (p=0.10) 73.40 86.80 93.20 65.60 73.23 60.40 76.00 84.30 40.80 63.01
NCI+Loss (p=0.10) 79.50 90.20 95.20 73.10 79.59 61.10 76.80 83.40 41.40 63.52
[9]
EUG (p=0.05) 72.79 84.18 91.45 63.23 74.17 62.67 74.94 82.57 42.45 66.22
NCI (p=0.05) 74.40 88.50 93.40 66.40 75.30 64.60 78.10 84.40 45.80 68.19
NCI+Loss (p=0.05) 80.30 91.60 95.30 74.00 80.12 66.60 80.20 87.8 48.70 71.67
综合以上分析,本文提出的损失控制策略能有效地提升 NCI 的性能,最终提升模型的性能.同时,表 3 在同等
p 值下的实验结果对比,能依次证明本文的 NCI 和损失控制策略提升效果明显.
4.3.4 与其他方法比较
表 4 是本文的方法 NCI 和损失控制策略分别在 DukeMTMC-VideoReID 和 MARS 数据集上,与其他方法在
rank-1 accuracy(%)和 mAP(%)的比较.表 4 中,与本文的对比方法有 OIM,BUC,DGM,Stepwise,EUG 和 PL 等方法.
本文提出的方法相比其他方法对单标注视频行人重识别性能都有明显的提升.本文提出的方法 NCI 在
DukeMTMC-VideoReID 数据集上,最高使 rank-1 达到 74.40%,mAP 达到 66.40%;在 MARS 数据集上,最高使
rank-1 达到 64.60%,mAP 达到 45.80%.而在 NCI 加上提出的损失控制策略之后,在 DukeMTMC-VideoReID 数据
集上,最高使 rank-1 达到 80.30%,mAP 达到 74.00%;在 MARS 数据集上,最高使 rank-1 达到 66.60%,mAP 达到
48.70%.性能远超过 DGM,Stepwise,EUG 和 PL 等方法.
NCI 和损失控制策略联合训练的最终结果与无监督的方法 OIM 和 BUC 相比,在 DukeMTMC-VideoReID
和 MARS 数据集上有着明显的优势.相比于单标注视频行人重识别最新的方法 EUG 和 PL 有很大提升.
• 当 p=0.05 时,在 DukeMTMC-VideoReID 数据集上,rank-1 分别提升了 7.51%,7.4%,mAP 上分别提升了