Nov, 2017

中间的魔鬼：利用中层表示进行跨域实例匹配

PDF
TL;DR提出了一个用于跨领域实例匹配的统一框架，该框架利用中间层特征与最终层特征相结合，可以在细粒度草图图像检索和人重识别任务中轻松打败装备更复杂体系结构的最先进模型。
cross-domain instance matchingneural networkmid-level featuresfine-grained sketch-based image retrievalperson re-identification
发现论文，激发创造
  • 利用中间域连接源域和目标域，实现跨域人员重识别

    提出了一种跨领域人员重新识别的方法，包含中间领域模块和镜像生成模块以实现知识传递，相较于现有方法提出更好的跨领域识别效果。

    Mar, 2022

  • 可见 - 红外人员重新识别的双向多步领域泛化

    该研究提出了一种名为 Bidirectional Multi-step Domain Generalization (BMDG) 的新方法，用于在不同的感官模态中统一特征表示，通过学习共享和模态不变的人体部位原型来对齐特征空间，然后利用多步学习逐步改进特征表示，并在此基础上使用多个桥接步骤来增强特征表示，有效地减少了感官模态之间的差距。实验证明，BMDG 方法在具有挑战性的可见 - 红外人物重新识别数据集上优于现有的基于部位的模型或通过可见 - 红外人物重新识别生成中间域的方法。

    Mar, 2024

  • 跨域图像检索的多模态方法

    使用多模态语言 - 视觉架构的新颖标题匹配方法能够在跨域图像检索中实现最先进的性能表现，尤其在与人工智能生成的图像一起进行测试时。

    Mar, 2024

  • IDM: 域自适应行人再识别中间领域模块

    本文提出了一种新颖的方法，即利用源和目标领域之间的桥梁来解决无监督领域自适应人员再识别（UDA re-ID）问题，该方法专注于显式地建模合适的中间领域以表征这种桥梁，并提出了中间域模块（IDM）来生成中间域表示，以及通过 bridge loss 和 diversity loss 约束中间域的生成。在各种常见的 UDA re-ID 任务中，该方法表现出比现有算法显著的性能优势，并且在挑战性的 MSMT17 基准测试中，mAP 的增益高达 7.7％。

    Aug, 2021

  • 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

  • 学习不变领域表示以实现可推广的人员复识别

    本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。

    Mar, 2021

  • 无监督行人再识别的领域摄像机自适应和多特征协同聚类

    本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。

    Aug, 2022

  • 跨域人物识别的联合去耦和适应

    本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

    Jul, 2020

  • 通过广义相似度度量和特征学习进行跨领域视觉匹配

    本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

    May, 2016

  • 全面记忆以实现自适应学习：多层级记忆无监督跨域人物重识别

    提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息，依赖于三个存储器模块，即部分级存储器、实例级存储器和域级存储器，来处理无监督跨域人员再识别任务，从而达到了竞争性的结果。

    Jan, 2020