可扩展的高效人员再识别回归

Dec, 2016

Highly Efficient Regression for Scalable Person Re-Identification

Hanxiao Wang, Shaogang Gong, Tao Xiang

TL;DR通过嵌入 Fisher 准则到岭回归模型中来有效地解决了现有的行人重识别模型中复杂性和不可适应性的问题，提出了一种真正可扩展的解决方案，支持更快的超越实时的模型更新和减少人工标注，性能优于现有的行人重识别方法。

Abstract

Existing person re-identification models are poor for scaling up to large data required in real-world applications due to: (1) Complexity: They employ complex models for optimal performance resulting in high computational cost for training at a large scale; (2) Inadaptability: Once tra

person re-identification scalable solution highly efficient regression incremental model update active learning

发现论文，激发创造

身份回归空间中的人物再识别

本文提出了一种基于 Identity Regression Space 的方法，通过增量学习和快速更新模型，使得人员再识别方法具有更好的可扩展性和适应性，并通过实验验证在多个数据集上表现优秀。

Jun, 2018

人机协同的人员再识别

提出一种基于人机交互 (Human Verification Incremental Learning) 的人体再识别模型，将人类反馈信息累计到模型中，从而实现模型的标记无关性和可伸缩性，同时使用正则化的度量集成学习 (Regularised Metric Ensemble Learning) 模型，当没有人类反馈时将一系列增量学习的 HVIL 模型结合成单个集合模型，以处理大型库问题。

Dec, 2016

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

深度转移学习用于人员再认证

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。

Nov, 2016

多尺度资源感知人员重新识别

本研究提出了一种个体重新识别模型，该模型结合了在多个卷积网络层上构建的有效嵌入，采用了深度监督技术进行训练，能够在资源受限情况下有效地权衡准确性和计算性能。在传统的重新识别基准测试中，我们的方法在所有五个数据集上都明显优于以前的最新结果。

May, 2018

联邦个体重识别性能的优化：基准测试和分析

为了解决数据隐私泄露的问题，本研究介绍了一种名为 FedReID 的联邦学习方法，该方法可在保持数据隐私的同时，对包含统计异质性的数据进行训练优化，并通过三种优化方法取得了令人满意的结果。

May, 2022

针对个体再识别的时间模型适应

本文提出了一种基于时间模型适应的新方法，通过人的参与使用基于图形的方法更新最具信息性的探针 - 图库匹配，从而有效减少了人工配对标签的工作量，在三个数据集上的实验均证明该方法表现优于现有技术。

Jul, 2016

基于监督平滑流形的可扩展人员再识别

在人员再识别中，我们提出了基于流形保存的亲和力学习算法，该算法可以最大程度地利用监督训练数据，并且可以被插入到现有算法中作为一种通用的后处理过程，从而进一步提高识别精度。

Mar, 2017

学习解析度不变深度人物再识别表示

本文提出一种名为 RAIN 的网络架构，通过对抗学习的策略来提取具有分辨率不变性的表示，从而解决跨分辨率人物重新识别的问题，实验表明所提出的模型可以识别低分辨率的查询图像，并可以用于半监督重新识别。

Jul, 2019

采用度量集成的人员再识别学习排序

本文提出了一种有效的结构化学习方法来解决个人重新识别问题，在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征，并制定了两种优化算法，直接优化常用于个人重新识别的评估措施，也称为累积匹配特性（CMC）曲线，并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统，可优于大多数现有算法。更重要的是，我们将基准测试的 rank-1 识别率从 40％提高到 50％、从 16％提高到 18％、从 43％提高到 46％、从 34％提高到 53％、从 21％提高到 62％。

Mar, 2015