MMApr, 2017

在自训练子空间中增强人物重新识别

PDF
TL;DR本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。
person re-identificationsupervised learningself-trainingsubspace learningmulti-kernel embedding
发现论文，激发创造
  • 软化相似度学习实现非监督式人物再识别

    本篇论文研究了人物再识别任务在无监督设置下的迭代式训练机制，放弃了集群聚类，改用基于配对计算和软化分类任务的方法计算相似度，从而在无标记数据下获得了最先进的性能表现。

    Apr, 2020

  • 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

  • 学习判别性的零空间用于人员再识别

    本研究提出了一种新的人物再识别（re-id）距离度量学习方法，通过匹配训练数据的判别式空间来克服小样本问题，并且在多个数据集上进行的实验表明此方法比现有方法具有更好的识别效果。

    Mar, 2016

  • 基于摄像头内部相似性的伪标签细化方法，用于无监督人员重识别

    该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

    Apr, 2023

  • 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

  • 局部样本分布的深度自适应特征嵌入在个体识别中的应用

    本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

    Jun, 2017

  • 随机训练策略下的无监督人员再识别

    采用随机学习策略和统一的距离矩阵，提出了一种无监督的人员重新识别方法，以避免训练偏差和聚类错误的影响。

    Aug, 2021

  • 软多标签学习的无监督人员重新识别

    论文提出了一种基于软多标签学习的无监督人物识别方法，该方法引入了参考代理学习来表示每个参考人物，利用视觉特征和软多标签的相似性一致性对目标域学习了区分嵌入，并开展了跨视角一致的软多标签学习以实现学习目标的达成。

    Mar, 2019

  • 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

  • 推进人员识别：基于张量的特征融合和多线性子空间学习

    本文提出了一个新颖的人物再识别系统，它结合了张量特征表示和多线性子空间学习。该方法利用预训练的卷积神经网络作为强大的深度特征提取器，结合局部最大出现（LOMO）和高斯特征（GOG）两种互补描述符。然后，使用基于张量的跨视图二次判别分析（TXQDA）来学习增强不同个体之间可分性的子空间。马氏距离用于查询样本和库样本之间的匹配和相似度计算。最后，我们通过在 VIPeR、GRID 和 PRID450s 三个数据集上进行实验来评估我们的方法。

    Dec, 2023