1. Introduction

該論文提出了一種基於難樣本三元組損失函式的層次聚類方法來進行無監督ReID，效能超過其他無監督方法和部分cross domain方法。
貢獻：

• 提出純無監督框架HCT。
• 將難樣本三元組損失引入無監督ReID中。
• 提出一種層次聚類方法，考慮到叢集中間的總體距離。

2. Methods

演算法的總體流程是利用在ImageNet上預訓練過的ResNet50網路作為backbone框架，對target domain的所有影像提取特徵構成特徵空間，對於得到的特徵進行有層次的聚類，在聚類完成之後，將同一個叢集視為同一行人。從所有叢集中抽取P個叢集，每個叢集抽取K張圖片，構成一個hard batch對ResNet50網路進行難樣本三元組損失訓練。

有層次的聚類

• s step步驟
• c cluster數量
• n 總樣本數
• mp merge percent 合成比例
• m = mp * c
  在初始化時，認為所有樣本的特徵都是不同的id，也就是有n個叢集。
  計算叢集之間的距離。叢集之間的距離利用平均距離來計算：
  
  獲得c*c的距離矩陣，取距離最近的前m對叢集相連。
  在進行s次連線之後，將其作為最終聚類結果。

難樣本三元組損失訓練
對於聚類結果的每個叢集都認為是同一id，分配同一標籤。
在聚類結果中抽取P個叢集，每個叢集取K個節點，構造hard batch，進行難樣本三元組訓練。

總演算法

3. Experiments