ICCVJan, 2017

GAN 生成的无标签样本改进体外人员再识别基线

PDF
TL;DR这篇论文提出一个半监督的生成式对抗网络（GAN）框架，利用 LSRO 方法解决由训练集补充数据、生成数据的怎样使用等问题，有效提高了之前基准的 CNN 嵌入的辨别能力，并在 Market-1501、CUHK03、DukeMTMC-reID 三个大型数据集上分别提高了 4.37%、1.6% 和 2.46%，且在细粒度的鸟类识别问题上实现了 0.6% 的改进。
semi-supervisedgenerative adversarial networklabel smoothing regularization for outliersperson re-identificationconvolutional neural network
发现论文，激发创造
  • 多伪正则化标签在行人重新识别中的应用

    本文提出了一种虚拟标签 MpRL 方法，将生成的数据用作深度神经网络半监督学习中真实数据的补充，进一步提高了个人重新识别表现。

    Jan, 2018

  • 从生成的差异性学习不变性 - 非监督式人员再识别

    利用生成对抗网络进行对比学习的非监督式无监督表示学习方法在行人重识别中取得了最新的最优表现。

    Jan, 2023

  • 使用保持相似度的生成对抗网络进行跨数据集的人员再识别

    本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

    Jun, 2018

  • 联合生成和对比学习用于无监督的人物重新识别

    本文研究基于自监督对比学习的无监督人员再识别问题，提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中，基于网格投影技术的视角生成器提供了数据增广，而对比学习模块则学习了生成视角不变特征。此外，引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明，该方法在多个大规模数据集上进行了全面的性能测试，均取得了比先前研究更好的效果。

    Dec, 2020

  • 生成对抗网络在人员再识别系统中的数据增强综述

    本文综述了如何使用生成对抗网络改善通过数据增广提高人员再识别模型性能的最新方法，主要聚焦于样式转移、姿态转移和随机生成三类数据增广方法。

    Feb, 2023

  • 训练 GAN 的改进技术

    本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

    Jun, 2016

  • 学习分解表示以实现强固的人员再识别

    本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

    Oct, 2019

  • 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

  • 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

  • FD-GAN: 姿态引导特征蒸馏 GAN 用于强韧的人员再识别

    本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

    Oct, 2018