Dec, 2016

人机协同的人员再识别

PDF
TL;DR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。
person re-identificationhuman-in-the-loop modelhuman verification incremental learningregularised metric ensemble learninglarge gallery sizes
发现论文，激发创造
  • 可扩展的高效人员再识别回归

    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。

    Dec, 2016

  • 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

  • 基于相机内自监督的行人再识别：新的基准测试

    本研究提出了一种基于 Intra-Camera Supervised（ICS）的 Multi-Task Multi-Label（MTML）深度学习方法来解决人员再辨认问题，该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法，MTML 模型能够在相关的数据集上提高人员再辨认的准确性。

    Aug, 2019

  • 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

  • 基于邻居引导标签优化的协同学习无监督可见 - 红外人员再识别

    本文介绍了一种多模态学习方法，称为 Dual Optimal Transport Label Assignment（DOTLA）框架，用于学习无标签跨模态数据集中的多模态特征。同时，本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块，以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。

    May, 2023

  • 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

  • 基于摄像头内监督的行人再识别

    提出基于独立相机身份标注的人物再识别范式，称为 ICS，并设计了一种用于跨相机识别的多任务深度学习方法 MATE，该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。

    Feb, 2020

  • 人物再识别：过去、现在和未来

    这篇文章介绍了人员再识别技术及其发展历史，对手工算法和深度学习算法在画面和视频再识别任务中的表现进行了概述，描述了未来方向和需要提高的问题。

    Oct, 2016

  • 弱监督下的人员再识别

    本文提出使用弱监督学习解决行人 Re-identification 问题的挑战，将其转化为多示例多标记学习问题并提出了 CV-MIML 方法及基于深度神经网络的 Deep CV-MIML 模型，经过实验表明该方法在四个弱标记数据集上表现优异。

    Apr, 2019

  • Instruct-ReID++: 通向通用用途的指导人物再识别

    该研究提出了一种新的 instruct-ReID 任务，通过给定的图像或语言指令，模型可以检索图像；提出了一个大规模 OmniReID++ 基准，配备了各种数据和综合评估方法；介绍了基于自适应三元组损失的 IRM 基线模型和基于存储器辅助学习的 IRM++ 方法，在多个测试集上实现了最先进的性能。

    May, 2024