超越外表：用于深度卷积神经网络的合成训练数据在再识别中的应用

Jan, 2017

超越外表：用于深度卷积神经网络的合成训练数据在再识别中的应用

Looking Beyond Appearances: Synthetic Training Data for Deep CNNs in Re-identification

Igor Barros Barbosa, Marco Cristani, Barbara Caputo, Aleksander Rognhaugen, Theoharis Theoharis

TL;DR本文提出一种基于深度卷积神经网络（SOMAnet），能够识别个体的外观细节和身体结构特征等，通过使用 100K 的合成数据集 SOMAset 进行训练和微调，和 Inception 架构进行结合的重新识别方法，成功地提高了识别精度。

Abstract

re-identification is generally carried out by encoding the appearance of a subject in terms of outfit, suggesting scenarios where people do not change their attire. In this paper we overcome this restriction, by proposing a framework based on a deep →

re-identification deep learning convolutional neural network synthetic data inception architecture

发现论文，激发创造

从合成人中学习

本文提出了使用由 3D 运动捕捉数据生成的合成真实人形图像的大规模数据集 (SURREAL) 来训练卷积神经网络 (CNNs)，并且通过该数据集训练的 CNNs 在 RGB 图像中可以准确地进行人物深度估计和人物部分分割。

Jan, 2017

从合成到真实：揭示合成数据在视频人物再识别中的威力

该研究探讨了跨域视频人物再识别的新问题，以合成视频数据作为训练的源领域，并以真实世界视频作为测试，显著减少了对真实训练数据的依赖。研究首先提出了一种自监督领域不变特征学习策略来提高合成数据在视频人物再识别中的作用，并通过自监督一致性损失进一步改进了目标领域中的人物识别能力。在四个真实数据集上的实验结果验证了跨合成与真实领域适应的合理性以及我们方法的有效性。令人惊讶的是，在跨域设置中，合成数据的表现甚至优于真实数据。

Feb, 2024

通过综合实现域自适应以进行无监督的人员重新识别

本研究通过构建包含数百种照明条件的新的合成数据集以及采用一种新颖的领域自适应技术来解决监控摄像头之间照明差异引起的重识别问题，取得了与监督技术相当的效果。

Apr, 2018

生成逼真的训练数据以提高人脸识别准确性

本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

Oct, 2018

使用合成脸部数据进行人脸识别

本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

May, 2023

基于深度属性的多摄像头行人重新识别

为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

May, 2016

使用合成数据训练深度人脸识别系统

本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。

Feb, 2018

超越真实来源训练数据：用随机三维字符进行可推广的人员再识别

通过合成虚拟环境中的大规模人体图像数据集，训练出的行人再识别模型在全新领域中表现更好，该数据集名为 RandPerson，包含了来自 8000 个身份的 1801816 张人体图像，可以提高机器学习的泛化能力。

Jun, 2020

SynFace: 用合成数据进行人脸识别

本文介绍了使用合成人脸图像的方法解决现实世界人脸识别中困难的问题，并提出了 SynFace，探讨了训练人工合成和真实图像的最新人脸识别模型之间的性能差距及其原因，并提出了 identity mixup 和 domain mixup 方法来缓解性能差距。此外，对于人工合成的图像，本文还对姿态，表情，光照等因素进行了实验分析，提供了几种有效利用合成数据进行人脸识别的方法。

Aug, 2021

学习人物重新识别中服装变体的形状表示

本研究针对服装改变对人物再识别造成的干扰问题提出了一种基于身体形状特征表征的模型 ——Color Agnostic Shape Extraction Network (CASE-Net)。CASE-Net 通过对抗训练和特征解耦的方法学习身份的表征，可以生成与服装颜色和纹理无关的身体形状特征表征。研究还提出了两个合成数据集去测试这种方法。实验结果表明，本研究的方法优于当前其他先进的方法。

Mar, 2020