Fuzzy set-based Bernoulli Random Noise Weighted Loss for unsupervised person re-identification

基于聚类的方法在无监督行人重识别任务上取得了令人印象深刻的表现。然而，这些模型中的大多数都受到噪声标签的影响。在本文中，我们提出了一种评估和抑制噪声标签的新方法。由于特征网络几乎没有经过训练，因此聚类结果不可靠，在训练的早期阶段很难用硬阈值筛选出噪声样本。为了解决这个问题，我们构建了一个噪声标签模糊集 (NLFS)，其成员函数可用于评估每个样本的噪声水平。此外，我们提出了一种新的损失函数，称为伯努利随机噪声加权损失 (BRNWL)，通过该函数，一些噪声成员较高的样本将以更高的概率被识别为噪声样本，并分配相应的权重以限制它们对训练的贡献。通过以上改进，在特征网络和聚类结果的交替更新中引入了随机性，可以有效防止模型陷入局部极小值或恶性循环。大量实验表明，我们的方法在流行的ReID数据集上实现了最佳性能