Nov, 2017

基于在线判别分析的一次通过人物再识别

PDF
TL;DR这篇论文提出了一种基于在线学习的 re-id 模型，将 sketch 处理嵌入到 fisher 判别分析中以在处理连续数据样本时有效地保留所有传递样本的主要数据变化，并从 sketch 数据信息中估计出大约的类内变化，同时提供了 SoDA 学习的最优特征转换与离线 FDA 的逐步逼近的理论分析，实验结果表明所提出的方法具有很好的实际效果。
person re-identificationonline learningsmart citysequential datasketch online discriminant analysis
发现论文，激发创造
  • 视频排名中基于判别性选择的人员再识别

    本文提出了一种新的模型，可以从含有噪声 / 不完整人员图像序列中自动选择最具差别性的视频片段，从而可以计算可靠的时空和外观特征，同时学习用于人员重识别的视频排名功能。

    Jan, 2016

  • Fisher 网络上的深度线性判别分析：一种用于人员再识别的混合架构

    本文介绍一种融合 Fisher 向量和深度神经网络的混合结构，以学习人像的非线性表示，进而实现对行人重新识别流程的优化。经过基于四个基准数据集 (VIPeR, CUHK03, CUHK01 和 Market1501) 的广泛实验验证，该模型达到了最先进的结果。

    Jun, 2016

  • 半监督域通用人物再识别

    本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

    Aug, 2021

  • 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

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017

  • 在线无监督域自适应的行人再识别

    本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

    May, 2022

  • 面向终身人员再识别的分布对齐语义适应

    在本文中，我们提出了一种适应分布匹配语义调整（Distribution Aligned Semantics Adaption，简称 DASA）框架，通过有效地调整 BN 以减轻数据分布差异的干扰并冻结预训练的卷积层来保留共享知识，其显著降低存储消耗，优于先进的生命周期行人重新识别方法，是一种创新且经济高效的适应预训练模型进行生命周期行人重新识别的方法。

    May, 2024

  • 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

  • 领域适应注意力模型：无监督跨域人物再识别

    该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

    May, 2019

  • 无监督个体再识别的判别式表示学习

    本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

    Aug, 2021