AAAIDec, 2018

人员再识别的增量三元组间隔学习

PDF
TL;DR此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度，通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。
person re-identificationmetric learningtriplet lossmulti-stage traininghard identity searching
发现论文，激发创造
  • 超越三元组损失函数：人员再识别的深度四元组网络

    本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别，相对于三元组损失，该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现，并在多个代表性数据集上超过了大部分最先进算法，证明该方法的有效性。

    Apr, 2017

  • 超越三元组损失：利用细粒度差异感知成对损失进行人员再辨识

    本文提出了一种新的用于人物 Re-IDentification 的对比损失函数，因为大多数现有方法采用三元组损失函数难以捕捉细节的外貌差异，该损失函数通过对图片间差异的指数级和有界级进行自适应惩罚，能够较大幅度地提高模型在四个基准数据集上的性能，同时也提升了数据的有效性。

    Sep, 2020

  • 人物重识别中三元组损失的防御

    该研究探讨了计算机视觉中人物重新识别子领域中三元组损失函数的表现，与其他损失函数相比，它能够更好地进行端到端的深度度量学习。

    Mar, 2017

  • 余量样本挖掘损失函数：一种基于深度学习的行人再识别方法

    本文提出了一种新的度量学习损失，称为边际采样挖掘损失（MSML），它采用硬样本挖掘，并能够比其他度量学习损失（如三元组损失）获得更好的精度。在实验中，我们的方法在 Market1501、MARS、CUHK03 和 CUHK-SYSU 等数据集上的性能超过了大多数最先进的算法。

    Oct, 2017

  • 人物重新识别中分类损失的辩护

    本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架，以学习多个通道组的判别式全局特征，并证明了其在准确性和推理速度方面优于现有技术水平。

    Sep, 2018

  • 基于大适应边际学习的深度排名模型用于人员再识别

    本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

    Jul, 2017

  • 超越三元损失函数：用于人员再识别的元原型 N 元损失函数

    本文提出了一种多类别分类损失函数（N 元损失），旨在联合考虑多个实例进行查询优化，以实现更好的 Person Re-identification 测试 / 推理过程和更高的性能。

    Jun, 2020

  • 再次捍卫三元组损失：利用快速近似三元组损失和标签精华学习鲁棒的人物再辨识

    提出了一种快速逼近的三元组损失（FAT）来匹配人物重新识别任务的大规模数据集中的潜在噪声标签，同时提出了标签蒸馏策略来改进由于潜在噪声标签的学习，结果表明该方法可显著提高 ReID 特征的准确性，效率，鲁棒性和直接可迁移性。

    Dec, 2019

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 多目标多相机追踪与重新识别的特征

    使用卷积神经网络训练复合式跟踪和重新识别系统，平衡多目标多相机跟踪和个体重新识别性能的关系，并通过自适应加权三元组损失和硬标识挖掘技术来优化性能。

    Mar, 2018