实验室韩许盟和余学辉共同提交的论文Rethinking Sampling Strategies for Unsupervised Person Re-identification被IEEE Transactions on Image Processing录用。祝贺两位同学！TIP是领域内知名的国际顶级期刊，中科院一区。 无监督的人员重新识别（re-ID）是一项具有挑战性的任务。虽然已经有大量针对框架设计和损失函数的研究，但本文发现采样策略的选择也同样起着至关重要的作用。我们分析了在使用相同框架和损失函数时，不同的采样策略所造成的性能差异的原因。我们认为恶化过拟合是导致性能不佳的一个重要因素，而提高统计稳定性可以弥补这一问题。受此启发，我们提出了一种简单而有效的方法，即分组抽样，它将同一类别的样本聚集成组。由此，模型的训练时使用规范分组后的样本，有助于减轻单个样本的负面影响。分组采样保证了在伪标签的生成过程中，样本能更有效地被划分为正确的类别。我们在Market-1501、DukeMTMC-reID和MSMT17数据集上进行了大量的实验，都表明了分组采样的有效性。代码已公布在https://github.com/ucas-vg/GroupSampling上。 Vision Group@UCAS成立于2019年，主要从事机器学习、图像和视频处理及计算机视觉等领域的研究。实验室承担了国家自然科学基金项目、航天科工及华为公司等单位课题。
@
2021 .