Nov, 2018

M2M-GAN：基于生成式对抗迁移学习的人员再识别算法

PDF
TL;DR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。
cross-domain transfer learningperson re-identificationmany-to-many generative adversarial transfer learningsub-domainsimage style transfer
发现论文，激发创造
  • Person Transfer GAN：解决人员再识别领域差异问题

    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。

    Nov, 2017

  • 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

  • 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

  • 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

  • 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

  • 模块化生成对抗网络

    本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

    Apr, 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

    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

  • 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

  • SingleGAN: 单一生成器网络利用多组生成对抗学习进行图像转换

    单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

    Oct, 2018

  • 多领域专家协同学习：针对人物再识别的多源领域泛化

    本论文提出一种基于多域专家协同学习（MECL）框架的领域泛化人员再识别（DG-ReID）方法，该框架使用领域间协作学习策略，通过 Domain-Domain Collaborative Learning（DDCL）和 Universal-Domain Collaborative Learning（UDCL）方法实现对所有训练域的更好利用，实验结果表明，该方法显著优于现有的最佳方法。

    May, 2021