Jul, 2018

无监督跨数据集人员再识别的多任务中层特征对齐网络

PDF
TL;DR本研究提出了一种多任务中间特征对齐网络（MMFA）来解决无监督跨数据集人员再识别任务的问题，该网络采用中间语义属性，通过交叉数据集中间特征对齐正则化项进行联合优化，取得了比现有方法更好的性能。
person re-identificationunsupervised learningmulti-task learningfeature alignmentsemantic attributes
发现论文，激发创造
  • 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

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 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

  • 无监督个体再识别的判别式表示学习

    本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

    Aug, 2021

  • 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

  • 无监督预训练用于个体再识别

    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

  • 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

  • AlignedReID: 超越人类水平的行人再识别性能

    本文提出了一种名为 AlignedReID 的新方法，通过局部特征的对齐匹配和全局特征的共同学习，提高了全局特征的学习效果并且超越了现有的 Person ReID 方法。在 Market1501 和 CUHK03 这两个广泛应用的人员再识别数据集方面，相对于现有的最优方法，本方法的排名 1 准确度分别提高了 94.4% 和 97.8%，超过了人类的水平。

    Nov, 2017

  • 无需跨摄像机成对样本的领域自适应人物再识别

    提出了一种新颖的领域自适应人员重识别方法，旨在通过无配对样本的监督实现跨摄像头的连续辨别特征学习，并利用跨摄像头相似样本解决跨区域行人身份匹配的挑战。

    Jul, 2023

  • 部分人员再识别的深度空间特征重构：无需对齐的方法

    本文提出了一种基于完全卷积神经网络的快速准确的匹配方法，结合了深度空间特征重建和字典学习模型来映射不同的部分人物图像以解决局部人物再识别问题，并在多个数据集上进行的实验证明了该方法的有效性和效率。

    Jan, 2018