Abstract Person re-identification (Re-ID) has attracted more attention in computer vision tasks recently and achieved high accuracy in some public available datasets in a supervised manner. The performance drops significantly when datasets are unlabeled, which limits the scalability of Re-ID algorithms in practical applications. Despite some unsupervised methods are proposed to address the scalability problem of Re-ID, it’s hard to learn discriminative feature representations due to the lack of pairwise labels in different camera views. To overcome this problem, we propose an end-to-end network named Adaptive Attention-Aware Network for unsupervised person re-identification. Specifically, we propose a novel adaptive attention-aware module that could be easily embedded into Re-ID architecture. The proposed module focuses on learning strong expressive relationship among channels of feature maps, and alleviating the key problems of Re-ID, e.g., occlusion and local deformation. In addition, we extract the camera-invariant features by adopting camera-style transfer feature learning since matching pairs in Re-ID suffers from appearance changes under different camera views. Besides, unsupervised hard negative mining is introduced to learn large intra-person appearance variance and discriminate high inter-person appearance similarity in an unlabeled target dataset with an auxiliary labeled dataset. Comprehensive experiments on three public available Re-ID datasets demonstrate that our method can achieve the state-of-the-art results of unsupervised Re-ID and is competitive with supervised learning.

中文翻译：

---

用于无监督人员重新识别的自适应注意力感知网络

摘要 行人重识别（Re-ID）最近在计算机视觉任务中引起了更多的关注，并以有监督的方式在一些公共可用的数据集中实现了高精度。当数据集未标记时，性能显着下降，这限制了 Re-ID 算法在实际应用中的可扩展性。尽管提出了一些无监督的方法来解决 Re-ID 的可扩展性问题，但由于在不同的相机视图中缺乏成对标签，因此很难学习区分特征表示。为了克服这个问题，我们提出了一种名为自适应注意力感知网络的端到端网络，用于无监督人员重新识别。具体来说，我们提出了一种新颖的自适应注意力感知模块，可以轻松嵌入到 Re-ID 架构中。所提出的模块侧重于学习特征图通道之间的强表达关系，并缓解 Re-ID 的关键问题，例如遮挡和局部变形。此外，由于 Re-ID 中的匹配对在不同的相机视图下会发生外观变化，因此我们通过采用相机风格的转移特征学习来提取相机不变的特征。此外，引入无监督的硬负挖掘来学习大的人内外观方差，并用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。并缓解 Re-ID 的关键问题，例如遮挡和局部变形。此外，由于 Re-ID 中的匹配对在不同的相机视图下会发生外观变化，因此我们通过采用相机风格的转移特征学习来提取相机不变的特征。此外，引入无监督的硬负挖掘来学习大的人内外观方差，并用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。并缓解 Re-ID 的关键问题，例如遮挡和局部变形。此外，由于 Re-ID 中的匹配对在不同的相机视图下会发生外观变化，因此我们通过采用相机式转移特征学习来提取相机不变特征。此外，引入无监督的硬负挖掘来学习大的人内外观方差，并用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。由于 Re-ID 中的匹配对在不同的相机视图下会发生外观变化，因此我们通过采用相机风格的转移特征学习来提取相机不变的特征。此外，引入无监督的硬负挖掘来学习大的人内外观方差，并用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。由于 Re-ID 中的匹配对在不同的相机视图下会发生外观变化，因此我们通过采用相机风格的转移特征学习来提取相机不变的特征。此外，引入无监督的硬负挖掘来学习大的人内外观方差，并用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。引入无监督的硬负挖掘来学习大的人内外观方差，并使用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。引入无监督的硬负挖掘来学习大的人内外观方差，并使用辅助标记数据集区分未标记目标数据集中的高人际外观相似度。在三个公开可用的 Re-ID 数据集上的综合实验表明，我们的方法可以实现无监督 Re-ID 的最新结果，并且与监督学习具有竞争力。