ICCVNov, 2018

自相似分组：一种用于人员再识别的简单无监督跨域适应方法

PDF
TL;DR本文提出了一种自相似分组方法（SSG），用于无监督地进行个人重新识别，有效地利用目标域中未标记样本的特征，通过不断地建立多个簇并为其分配标签的方式进行模型训练并取得比现有方法更好的结果，另外，也提出了一个基于聚类和半监督学习的方法来解决开放环境下的一次性域自适应问题。
domain adaptationperson re-identificationunsupervised learningself-similarity groupingclustering-guided semi-supervised
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 针对人员再识别的无监督域泛化：领域特定自适应框架

    本论文提出了一种无监督领域泛化的方法来解决行人重识别中源域无标签的问题，该方法采用领域特定的自适应框架，结合批标准化和实例标准化技术实现，准确地优化模型泛化能力，同时提高了训练效率和 ReID 性能。实验证明，该方法在不同的数据集上表现出显著优势，为进一步研究此领域奠定了强有力的基础。

    Nov, 2021

  • 软化相似度学习实现非监督式人物再识别

    本篇论文研究了人物再识别任务在无监督设置下的迭代式训练机制，放弃了集群聚类，改用基于配对计算和软化分类任务的方法计算相似度，从而在无标记数据下获得了最先进的性能表现。

    Apr, 2020

  • 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

  • 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