Jun, 2018

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

PDF
TL;DR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。
person re-identificationsurveillance videossimpganunsupervised learningdeep convolutional neural network
发现论文，激发创造
  • 基于相似性保持的人物再识别图像域自适应

    本文使用 “学习 via 翻译” 框架研究人员重新识别中的领域适应问题，提出一种相似性保持的生成对抗网络 (SPGAN) 和其端到端可训练版本 eSPGAN 来解决此问题。在实验中，展示了两个大规模人员重新识别数据集上的新颖领域适应结果。

    Nov, 2018

  • 保留自我相似性和域差异性的图像域自适应技术在人员重识别中的应用

    本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

    Nov, 2017

  • 恢复和识别：一种用于跨分辨率人员再识别的生成对偶模型

    本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

    Aug, 2019

  • 联合生成和对比学习用于无监督的人物重新识别

    本文研究基于自监督对比学习的无监督人员再识别问题，提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中，基于网格投影技术的视角生成器提供了数据增广，而对比学习模块则学习了生成视角不变特征。此外，引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明，该方法在多个大规模数据集上进行了全面的性能测试，均取得了比先前研究更好的效果。

    Dec, 2020

  • 跨分辨率对抗双网络在人员身份识别及其扩展中的应用

    通过提出的生成对抗网络方法，该论文给出了一个用于解决跨分辨率人员重识别问题的方法，具有较强的抗噪能力和可泛化性。

    Feb, 2020

  • 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

  • 从生成的差异性学习不变性 - 非监督式人员再识别

    利用生成对抗网络进行对比学习的非监督式无监督表示学习方法在行人重识别中取得了最新的最优表现。

    Jan, 2023

  • FD-GAN: 姿态引导特征蒸馏 GAN 用于强韧的人员再识别

    本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

    Oct, 2018

  • 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

  • 生成对抗网络在人员再识别系统中的数据增强综述

    本文综述了如何使用生成对抗网络改善通过数据增广提高人员再识别模型性能的最新方法，主要聚焦于样式转移、姿态转移和随机生成三类数据增广方法。

    Feb, 2023