PaddleClas/docs/zh_CN/algorithm_introduction/ISE_ReID.md

ISE

---

目录

• 1. 介绍
• 2. 在Market1501和MSMT17上的结果
• 3. 测试
• 4. 引用

1. 介绍

ISE (Implicit Sample Extension)是一种简单、高效、有效的无监督行人再识别学习算法。ISE在聚类蔟边界周围生成样本，我们称之为支持样本。ISE的样本生成过程依赖于两个关键机制，即渐进线性插值策略（progressive linear interpolation）和标签保留的损失函数（label-preserving loss function）。ISE生成的支持样本提供了额外补充信息，可以很好地处理“子类和混合”的聚类错误。ISE在Market1501和MSMT17数据集上取得了优于其他无监督方法的性能。

Implicit Sample Extension for Unsupervised Person Re-Identification
Xinyu Zhang, Dongdong Li, Zhigang Wang, Jian Wang, Errui Ding, Javen Qinfeng Shi, Zhaoxiang Zhang, Jingdong Wang
CVPR2022

2. 在Market1501和MSMT17上的结果

在Market1501和MSMT17上的主要结果。“PIL”表示渐进线性插值策略。“LP”表示标签保留的损失函数。

方法	Market1501	下载链接	MSMT17	下载链接
Baseline	82.5 (92.5)	-	30.1 (58.6)	-
ISE (+PIL)	83.9 (93.9)	-	33.5 (63.9)	-
ISE (+LP)	83.6 (92.7)	-	31.4 (59.9)	-
ISE (Ours) (+PIL+LP)	84.7 (94.0)	ISE_M	35.0 (64.7)	ISE_MS

3. 测试

我们很快会提供训练代码，首先我们提供了测试代码和模型。

测试： 可简使用如下脚本进行模型评估。

python tools/eval.py -c ./ppcls/configs/Person/ResNet50_UReID_infer.yaml

步骤：

1. 首先下载模型，并放入：./pd_model_trace/ISE/。
2. 改变./ppcls/configs/Person/ResNet50_UReID_infer.yaml中的数据集名称。
3. 运行上述脚本。

4. 引用

如果ISE在您的研究中有启发，请考虑引用我们的论文:

@inproceedings{zhang2022Implicit,
  title={Implicit Sample Extension for Unsupervised Person Re-Identification},
  author={Xinyu Zhang, Dongdong Li, Zhigang Wang, Jian Wang, Errui Ding, Javen Qinfeng Shi, Zhaoxiang Zhang, Jingdong Wang},
  booktitle={IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2022}
}