CVPRApr, 2018

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

PDF
TL;DR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。
person re-identificationunsupervised domain adaptationauxiliary datasetre-id modeldomain-invariant features
发现论文，激发创造
  • 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

  • 无监督域自适应再识别：理论和实践

    本文旨在解决计算机视觉中无监督领域自适应重新识别的问题，并且提出了一种基于自我训练的方案来优化在提取特征空间中推测无标签目标数据所得的伪标签，评估与现有的同类方法的对比表明此方案是有效的。

    Jul, 2018

  • 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

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016

  • 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

  • 通过无监督姿势解缠和适应实现跨数据集个人重新识别

    本文提出了一种基于姿态解耦和适应网络（PDA-Net）的跨数据集人员再识别方法，该方法通过学习深层次图像表示对姿态和域信息进行解耦，并形成跨域姿态不变的特征空间，使其具有不错的准确性。

    Sep, 2019

  • 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

  • 无监督多源领域自适应用于人员再识别

    本文提出了一种多源领域自适应人员重识别方法，并从特定领域和融合视角两个方面入手，引入了矫正特定领域批处理归一化和基于图卷积网络的多领域信息融合模块，从而使得该方法在大规模检验集上超越现有的无监督领域自适应人员重识别方法，且可达到监督方法的性能水平。

    Apr, 2021

  • 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

  • 可迁移的联合属性身份深度学习用于无监督个人重新识别

    本文提出了一种新的基于深度学习的 Transferable Joint Attribute-Identity Deep Learning (TJ-AIDL) 模型，可在目标域中进行无监督的 person re-id，并不需要目标领域中新的标签数据收集，模型在四个基准测试中表现优于当前最新的方法。

    Mar, 2018