深层人员再识别的伪正则化方法
本文介绍了一种基于 CNN 的方法,通过约束权重来学习具有良好鲁棒性的判别度量,其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层,通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。
Nov, 2015
本文提出了一种渐进无监督学习(PUL)方法,将预训练的深度表示转移到未见过的领域来改进人员重新识别(re-ID)的准确度,并使用自主学习自然地表达了整个过程。
May, 2017
本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法,可以在多个数据集上有效地解决视频监控中的人员重识别问题,并且相较于现有的人员重识别方法具有更好的性能表现。
Jul, 2017
该论文提出了一种结合了卷积神经网络特征提取方法和交叉视角二次判别分析进行度量学习的 PRe-ID 新方法,并使用马氏距离和得分规范化算法处理多摄像头下的匹配问题,实验表明该方法在多项数据集上均获得了可喜的结果。
Jul, 2023
本文设计了一个基于对比学习管道的无监督预训练框架 UP-ReID,旨在解决细粒度 ReID 特征学习中的两个关键问题,并介绍了全局一致性和局部补丁之间的内在对比约束,在多个流行的 Re-ID 数据集上进行了广泛的实验,结果表明,我们的 UP-ReID 预训练模型可以显著改进下游 ReID 微调,并实现了最先进的性能。
Dec, 2021
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
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
该研究提出了一种自训练的方法,使用渐进式增强框架 (PAST) 来不断提高模型在目标数据集上的表现,并在保守阶段和促进阶段之间交替进行三元组的损失优化,最终在无监督交叉领域设置下达到了最先进的人员重新识别绩效
Jul, 2019