Jan, 2019

基于深度非对称度量嵌入的无监督个体重识别

PDF
TL;DR提出了一种名为 DEep Clustering-based Asymmetric MEtric Learning (DECAMEL) 的无监督学习框架，该框架基于交叉视图聚类学习不对称距离度量，并将其嵌入深度神经网络中，学习跨视图群集结构，以解决 Person re-identification 无监督学习中的视图特定偏差的问题，实验表明该框架具有较好的效果。
person re-identificationunsupervised learningasymmetric distance metricdeep neural networkcross-view clustering
发现论文，激发创造
  • 无监督人物再识别的跨视角非对称度量学习

    该研究提出了一种基于不对称聚类的度量学习方法，通过学习对称性，提高无人监督条件下，在大规模无标签视觉数据下的 RE-ID 的匹配性能，实验结果表明，该方法比传统的无人监督方法更为适用。

    Aug, 2017

  • 局部样本分布的深度自适应特征嵌入在个体识别中的应用

    本文提出了一种适应于当下行人重识别局部样本结构的新型采样方法和目标函数，利用一定的局部样本来挖掘适当的正例，以提高深度嵌入的性能，并在训练过程中学习一种深度相似性距离度量，以此来增加像素级的区分度，并处理掉行人图像中的复杂性因素，本方法在基准测试数据集上取得了最好的性能表现。

    Jun, 2017

  • 人员再识别中的深度度量嵌入：抗大尺度变化的研究

    本文提出了一种新的中等正样本挖掘方法来训练鲁棒的 CNN 以解决人员重识别中的大变化问题。在此基础上，通过度量权重约束来改进学习，从而使学习到的度量具有更好的通用性。实验表明，这两种策略能够有效地学习到鲁棒的深度度量，并且相应地，我们的深度模型在几个人员重识别基准测试上显著优于现有的最先进方法。因此，本文提出的研究可能对启发人员重识别的新深度模型的设计有用。

    Nov, 2016

  • 人员再识别的有约束深度度量学习

    本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

    Nov, 2015

  • 软多标签学习的无监督人员重新识别

    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

  • 实用人员再识别的深度度量学习

    本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

    Jul, 2014

  • 深度余弦度量学习在人员再识别中的应用

    本文介绍了一种通过简单地重新参数化传统的 softmax 分类方案来有效优化余弦相似度的方法，在两个抽取的特征对应相同身份时会更加接近，这种方法被用于大规模行人再识别数据集中达到了竞争性的好结果。

    Dec, 2018

  • 在自训练子空间中增强人物重新识别

    本研究提出了一种自学习子空间学习方法，可以将有标签数据与无标签数据相结合以实现人员再识别，并采用多内核嵌入策略来处理人的外观非线性变化，实验结果表明本方法使用较少的有标签数据时性能可与大多数现有完全监督的方法相媲美。

    Apr, 2017

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017