Adaptive sparse contrastive learning for unsupervised object re-identification

doi:10.1016/j.patcog.2025.112604

Adaptive sparse contrastive learning for unsupervised object re-identification

2025-10-15

0

PRE

AI

DOI：10.1016/j.patcog.2025.112604

原文链接

原文求助

摘要

En 中文

我们的贡献可以总结为以下三部分： • 我们提出了一种名为自适应稀疏对比学习（ASCL）的新型对比学习范式，该范式不同于传统的密集对比学习机制。这是首次将此类范式应用于无监督目标重识别。ASCL允许模型聚焦于少数包含可靠身份线索的对比样本对，从而引导学习更具判别性的特征表示。 • 我们设计了两种互补的稀疏对比学习目标，它们能够根据动态变化的簇内差异自适应调整正对比样本对的类内拉力强度。这两种目标协同为每个伪类别引入更有效的对比信号，从而缓解无监督学习中常见的效率-可靠性权衡问题。 • 我们在三个大规模目标重识别数据集上进行了广泛的实验。结果表明，所提方法的有效性，其在所有三个数据集上均显著优于当前最优方法。具体而言，在具有挑战性的MSMT17数据集上，我们的方法取得了46.6%的mAP和76.4%的top-1准确率。

Adaptive sparse contrastive learning for unsupervised object re-identification

摘要

期刊

机构

引用论文