Mar, 2019

无监督轨迹人员再识别

PDF
TL;DR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。
person re-identificationunsupervised learningdeep learningutaltracklet association
发现论文，激发创造
  • 深度学习轨迹关联的无监督人员重新识别

    本论文提出了一种基于轨迹的无监督深度学习方法，通过轨迹关联和跨摄像头相关性最大化来发现并利用单个摄像机和跨摄像机之间的人物识别信息，实现了更好的人物再识别效果。

    Sep, 2018

  • 基于时空规则的轨迹关联式渐进式无监督人员重识别

    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

  • 无监督的嘈杂痕迹行人再识别

    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

  • 无监督视频人员再识别的深度关联学习

    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

  • 基于摄像头内监督的行人再识别

    提出基于独立相机身份标注的人物再识别范式，称为 ICS，并设计了一种用于跨相机识别的多任务深度学习方法 MATE，该方法相对于现有方法和无监督的学习模型在三个大型数据集上的效果更好。

    Feb, 2020

  • 可迁移的联合属性身份深度学习用于无监督个人重新识别

    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

  • 利用虚拟和真实人物进行无监督的人员重新识别

    本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

    Nov, 2018

  • 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

  • 简单非监督多目标追踪

    通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

    Jun, 2020

  • 基于相机内自监督的行人再识别：新的基准测试

    本研究提出了一种基于 Intra-Camera Supervised（ICS）的 Multi-Task Multi-Label（MTML）深度学习方法来解决人员再辨认问题，该方法具有较强的标注自适应性和更高的可扩展性。研究结果表明相对于现有更先进的方法，MTML 模型能够在相关的数据集上提高人员再辨认的准确性。

    Aug, 2019