CVPRNov, 2017

Person Transfer GAN：解决人员再识别领域差异问题

PDF
TL;DR该论文提供了一个名为 MSMT17 的新数据集以便于解决真实场景中人物再识别（ReID）的挑战问题，并介绍了一个叫 PTGAN 的方法来缩小数据集之间的领域差距以提高 ReID 的性能表现。
person re-identificationmsmt17 datasetdomain gapperson transfer generative adversarial networkperformance
发现论文，激发创造
  • M2M-GAN：基于生成式对抗迁移学习的人员再识别算法

    针对多相机场景下的行人再识别问题，本文提出了一种考虑多个子域之间映射关系的多对多生成对抗迁移学习方法 (M2M-GAN)，该方法首先进行图像风格的转换，然后应用转换后的图像和源域的注释信息进行监督学习，实验结果表明 M2M-GAN 方法具有很好的泛化能力和鲁棒性，且在 Market-1501, DukeMTMC-reID 和 MSMT17 数据集上均取得了良好的效果。

    Nov, 2018

  • SBSGAN: 跨域背景漂移抑制的人员再识别

    本文提出了一种解决跨域人物重识别中的背景偏差问题的方法，即使用抑制背景移位生成对抗网络 (SBSGAN) 生成图像，并引入密集连接的 2 流网络 (DA-2S) 及 ISDC 模块来加强数据与 ID 相关线索的互补性，实验结果表明该方法在三个重识别数据集中取得了有竞争力的性能。

    Aug, 2019

  • 使用保持相似度的生成对抗网络进行跨数据集的人员再识别

    本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

    Jun, 2018

  • 姿态归一化的人员再识别图像生成

    本文提出了一种新颖的深度人图像生成模型，利用生成对抗网络，实现了消除视角变化的标准化，生成与姿势相关的真实人物图像，得到新型的去除姿势影响的深度重新识别（re-id）特征，并证明这种特征可以广泛应用于许多不同的 re-id 数据集中。

    Dec, 2017

  • 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

  • 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

  • 基于 GAN 场景合成的跨场景视频领域自适应人物搜索

    通过使用生成对抗网络，本研究设计了一种生成高质量跨身份场景合成的模型，用于人物搜索任务，实验证明该方法能够有效增加数据集的多样性和真实性。

    Aug, 2023

  • 通用人物再识别的双分布对齐网络

    本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

    Jul, 2020

  • 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

  • 通过镜头风格生成和标签传播进行领域自适应人员再识别

    本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法，包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法，实验表明该方法具有显著优势。

    May, 2019