深度学习轨迹关联的无监督人员重新识别
本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性,能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息,实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。
Mar, 2019
本研究提出了一种基于深度学习和时空规则的无监督人员再识别方法,通过跨摄像头轨迹关联和反复迭代来逐步更新模型,最终促进了跨摄像头轨迹的关联和更好的人员视觉特征提取。
Oct, 2019
该论文提出了一种新的无监督深度学习方法 Deep Association Learning(DAL)用于视频行人重识别任务,在三个基准测试集上明显优于现有的无监督学习方法,可为视频监控等实际应用提供实用价值。
Aug, 2018
本文提出了一种选择性轨迹学习方法,通过无监督的方式从未标记过的轨迹数据中训练有较强区分度的人物重新标识模型,采用数据自适应的图像对轨迹的选择性匹配损失函数,该方法在多相机多任务深度学习模型结构中探究,实验证明该方法比目前领先的无监督学习和单次学习的重新标识方法在三个大规模轨迹人员重新标识基准测试中表现显著。
Jan, 2021
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
论文提出了一种基于软多标签学习的无监督人物识别方法,该方法引入了参考代理学习来表示每个参考人物,利用视觉特征和软多标签的相似性一致性对目标域学习了区分嵌入,并开展了跨视角一致的软多标签学习以实现学习目标的达成。
Mar, 2019
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
本文介绍了一种多模态学习方法,称为 Dual Optimal Transport Label Assignment(DOTLA)框架,用于学习无标签跨模态数据集中的多模态特征。同时,本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块,以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。
May, 2023
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
本文提出了一个 hierarchical clustering 机制的跟踪框架,以便在利用 multi-stage deep network 进行 tracklet re-identification 的同时,合并 tracklets,从而提高多人追踪准确性。在 MOT16 和 MOT17 基准测试中,实验结果表明,我们的方法显著优于最先进技术。
Nov, 2018