通过广义相似度度量和特征学习进行跨领域视觉匹配

May, 2016

通过广义相似度度量和特征学习进行跨领域视觉匹配

Cross-Domain Visual Matching via Generalized Similarity Measure and Feature Learning

Liang Lin, Guangrun Wang, Wangmeng Zuo, Xiangchu Feng, Lei Zhang

TL;DR本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

Abstract

cross-domain visual data matching is one of the fundamental problems in many real-world vision tasks, e.g., matching persons across ID photos and surveillance videos. Conventional approaches to this problem usually involves two steps: i) projecting samples from different domains into a

cross-domain visual data matching affine transformations mahalanobis distance cosine similarity deep convolutional neural networks

发现论文，激发创造

GraftNet: 基于广谱和任务取向特征的领域通用立体匹配

利用大规模数据集训练的模型特征，采用余弦相似度为基础的代价体积作为桥梁，将特征嫁接到一个普通的代价聚合模块，以此来解决领域转化带来的一般化能力不足。通过将嫁接特征输入到一个浅层网络进行变换计算代价，从而恢复更多的任务 - specific 信息，大量实验表明，这种宽光谱和任务定向的特征可以显著提高模型的泛化能力。

Apr, 2022

基于相对距离比较的深层特征学习用于人员再识别

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

实用人员再识别的深度度量学习

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

弥合地对空图像匹配的领域差距

本研究提出了一种基于条件 GAN 的新方法，通过合成俯视图像，将两个视图之间的差距最小化，实现了对视觉实体的跨视图建模并进行特征融合，最终在 CVUSA 数据集上成功实现了景点检索任务。

Apr, 2019

跨任务和领域传递良好特征的学习

本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

Jan, 2023

基于特征一致性的领域通用立体匹配网络再探

提出一种针对立体匹配网络中特征一致性维护的方法，通过像素级对比学习、特征保白和特征一致性损失函数等手段，实现模型在未知领域的泛化能力提升，并在合成数据经过训练后在四个真实测试集上实现比多种现有技术更好的性能。

Mar, 2022

跨领域下存在离群值的图像匹配

本文提出了一种端到端的体系结构，可以在没有标签的情况下匹配跨域图像并通过异常检测处理非重叠域，该体系结构利用域自适应和三元组约束来训练一个网络，该网络能够学习域不变和身份可区分的表示，并使用熵损失和我们提出的加权 MK-MMD 迭代地检测异常值。在 Office [17] 数据集和我们提出的数据集 Shape、Pitts-CycleGAN 上的广泛实验证据表明，该方法在不同的基准测试中具有最先进的跨域图像匹配和异常检测性能。

Sep, 2019

语义分割的无监督对比域自适应

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

通过隐式跨域对应实现的长期不变局部特征

通过改进现代视觉特征提取网络的监督方法，我们的方法在跨长期视觉领域变化的图像对捕捉下，显著改善了视觉定位性能，减小了性能差距，为长期部署提供了更稳健的视觉定位方法，并在长期定位基准测试中始终优于现有方法。

Nov, 2023

跨域自监督多任务特征学习：使用合成图像

本文提出了一种多任务深度网络学习通用高级视觉表示的方法，并通过对人工制成的图像进行训练来克服真实与合成数据之间的领域差异，模型考虑同步从合成 RGB 图像中预测其表面法向、深度和实例轮廓，并最小化真实和合成数据之间特征空间的差异，在广泛实验的基础上，表明我们的网络相比单任务基线学习到更具有可转移性的表示，使得在 PASCAL VOC 2007 分类和 2012 检测上能够产生最先进的迁移学习结果。

Nov, 2017