Nov, 2016

深度转移学习用于人员再认证

PDF
TL;DR本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。
person re-identificationdeep transfer learningclassification lossverification lossunsupervised learning
发现论文，激发创造
  • 利用虚拟和真实人物进行无监督的人员重新识别

    本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

    Nov, 2018

  • 适应性和再认网络：一种无监督的深度迁移学习方法用于人员再认证

    该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

    Apr, 2018

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 基于独立多域标签的分散学习，用于人员再识别

    本文提出了一种基于联邦学习的人员重识别模型 ——FedReID，采用了去中心化的训练方式，在保障本地隐私数据不被泄漏的前提下，通过来自多个本地客户端的模型更新，构建了一个面向全局的可推广模型，且其性能优于当下现有的算法。

    Jun, 2020

  • 无监督人员重新识别：聚类和微调

    本文提出了一种渐进无监督学习（PUL）方法，将预训练的深度表示转移到未见过的领域来改进人员重新识别（re-ID）的准确度，并使用自主学习自然地表达了整个过程。

    May, 2017

  • 无监督预训练用于个体再识别

    本文介绍了一个名为 LUPerson 的大规模未标记人物重识别数据集，并尝试进行无监督预训练来提高学习到的人物 Re-ID 特征表示的泛化能力，探究了数据增强和对比损失等方面对学习 Re-ID 特征的关键因素，其使用预训练模型可以获得在现有数据集上的最先进结果。

    Dec, 2020

  • 使用扩散模型合成高效的数据进行个体重新识别预训练

    提出了一种新的 Diffusion-ReID 范例，通过生成和过滤阶段来有效增强和生成不同的图像，首先创造了一个新的大规模人员重识别数据集 Diff-Person，接着构建了一个基于 Diff-Person 预训练的更强大的人员重识别模型，与其他预训练和自监督竞争者相比，展现了显著的优势。

    Jun, 2024

  • 可迁移的联合属性身份深度学习用于无监督个人重新识别

    本文提出了一种新的基于深度学习的 Transferable Joint Attribute-Identity Deep Learning (TJ-AIDL) 模型，可在目标域中进行无监督的 person re-id，并不需要目标领域中新的标签数据收集，模型在四个基准测试中表现优于当前最新的方法。

    Mar, 2018

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018