DARI: 人物验证的距离度量与表示集成
本研究介绍了一种使用深度神经网络学习图像相似度度量的方法,该方法采用 “连体” 结构体系,可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果,结果表明该方法在人员再识别方面性能显著优于现有方法。
Jul, 2014
本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架,用于处理智能视频监控中的人员再识别问题,并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。
Dec, 2015
该研究介绍了一种名为 Discriminant Distance-Awareness Representation(DDAR)的新颖且高效的确定性不确定性评估方法,通过构建一个在潜在表示中包含一组原型的 DNN 模型来分析输入数据的有价值特征信息,通过松弛限制了决定性不确定性方法(DUMs)架构的利普希茨条件,从而克服了特征坍缩问题,实验结果表明 DDAR 是一种灵活且与架构无关的方法,在多个基准问题上优于现有的不确定性评估方法。
Feb, 2024
本文介绍了一种通过简单地重新参数化传统的 softmax 分类方案来有效优化余弦相似度的方法,在两个抽取的特征对应相同身份时会更加接近,这种方法被用于大规模行人再识别数据集中达到了竞争性的好结果。
Dec, 2018
本文提出了一种基于三元组架构和最大均值差异的新型度量学习目标,以及一种基于关注机制的递归神经网络的新型深度体系结构,以解决传统方法无法捕捉人体运动数据跨动作的语义联系的问题。实验证实,该方法在两组不同数据集上相对于传统人体运动度量学习有效提升。
Jul, 2018
本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上,通过度量权重约束来改进学习,从而使学习到的度量具有更好的通用性。实验表明,这两种策略能够有效地学习到鲁棒的深度度量,并且相应地,我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此,本文提出的研究可能对启发人员重识别的新深度模型的设计有用。
Nov, 2016
本文介绍了一种基于 CNN 的方法,通过约束权重来学习具有良好鲁棒性的判别度量,其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层,通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。
Nov, 2015
本文提出了一种深度关系度量学习(DRML)框架,用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布,并使用关系模块和图建模在图像上进行关系推理,得到一种关系感知嵌入来测量相似性,从而有效提高了当前深度度量学习方法的效果。
Aug, 2021
提出了一种名为 DEep Clustering-based Asymmetric MEtric Learning (DECAMEL) 的无监督学习框架,该框架基于交叉视图聚类学习不对称距离度量,并将其嵌入深度神经网络中,学习跨视图群集结构,以解决 Person re-identification 无监督学习中的视图特定偏差的问题,实验表明该框架具有较好的效果。
Jan, 2019
这篇论文介绍了 DORA(Data-agnOstic Representation Analysis)框架,它利用网络内部的自我解释能力,提出了一种新的距离度量方法,对 DNNs 的表示空间进行了数据无关的分析。通过这个度量方法,可以检测到可能存在风险的异常表示,该方法最终应用于分析并识别了广受欢迎的计算机视觉模型中的人工异常表示。
Jun, 2022