CVPRJun, 2017

开放世界动态摄像头网络中的无监督自适应重新识别

PDF
TL;DR该论文介绍了一个基于流形学习的动态摄像头网络中的人物重识别无监督学习方法，并提出了一个可利用最佳源摄像头信息改善多个摄像头间准确度的推理算法。该方法在四个基准数据集上的实验结果表明，明显优于现有的无监督学习方法且计算效率极高。
person re-identificationcomputer visiondynamic camera networkunsupervised adaptationtransitive inference algorithm
发现论文，激发创造
  • 带多摄像头约束的无监督域自适应人重识别

    本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

    Oct, 2022

  • 一种新的无监督相机感知领域自适应人员重识别框架

    本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架，通过解决数据分布差异、标记信息缺乏等问题，采用相机感知域自适应和在线三元捆绑等方法，实现了针对人物再识别特征的优化和提取，并在基准数据集上进行了实验和消融研究，展现了其卓越性能和有趣的属性。

    Apr, 2019

  • 多摄像头下的联合行人再识别和摄像头网络拓扑推断

    该论文提出了一个统一框架，旨在解决大规模多摄像机网络下人员再识别及摄像机网络拓扑推断问题，通过提供 SLP 数据集，实验证明该方法在人员再识别及摄像机拓扑推断任务中具有很大的潜力。

    Oct, 2017

  • 使用假设传递学习进行人员重识别相机接入

    探索摄像头网络的动态适应性，通过假说转移学习和模型组合来进行知识传递，并在四个具有不同数量摄像头的基准数据集上进行了广泛的实验，证明了该方法的有效性。

    Jul, 2020

  • 摄像头网络中自动人员再识别和网络拓扑推理的统一框架

    本论文提出了一种集成方案，旨在解决人员重新识别和摄像头网络拓扑推断问题，采用多摄像头网络环境并提供一个新的人员重新识别数据集 SLP，试验结果表明所提出的方法在人员重新识别和摄像头拓扑推断任务中具有良好的预测性能。

    Apr, 2017

  • 人员再辨识的深度学习：综述与前瞻

    本文介绍了人物重识别技术在深度学习方面的应用，提出了封闭式和开放式两种应用场景，并且详细分析了两种场景下的数据集、算法和评估指标。最后，设计了一个有效的基线系统，并提出了一个新的评估指标，同时探讨了未来的研究方向。

    Jan, 2020

  • 基于相机驱动的无监督领域自适应行人再识别的表示学习

    我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。

    Aug, 2023

  • 通过 k - 相互聚类和大规模异构环境合成进行人员重识别中的无监督域自适应

    本研究针对人物重新识别的实际场景问题，提出了一种新型的基于领域自适应的无监督学习方法，通过引入 ktCUDA 与 SHRED 算法，实现了对不同环境下的人物重新识别任务的高效识别，该方法在 4 个不同的图像和视频基准数据集上均取得了优于现有技术方法的平均 + 5.7 mAP 的识别性能表现。

    Jan, 2020

  • 适应性和再认网络：一种无监督的深度迁移学习方法用于人员再认证

    该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

    Apr, 2018

  • 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