ICCVApr, 2019

一种新的无监督相机感知领域自适应人员重识别框架

PDF
TL;DR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。
unsupervised cross-domain person re-identificationrepresentation learningcamera-aware domain adaptationtemporal continuityonline triplets
发现论文，激发创造
  • 基于相机驱动的无监督领域自适应行人再识别的表示学习

    我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。

    Aug, 2023

  • 在线无监督域自适应的行人再识别

    本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

    May, 2022

  • 带多摄像头约束的无监督域自适应人重识别

    本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

    Oct, 2022

  • 通过镜头风格生成和标签传播进行领域自适应人员再识别

    本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法，包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法，实验表明该方法具有显著优势。

    May, 2019

  • 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

  • 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

  • 跨域人物识别的联合去耦和适应

    本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

    Jul, 2020

  • 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

  • 基于深度学习的人员再识别原型域

    本研究提出一种基于深度学习和自动原型域发现的人员再识别方法，该方法具有自适应的学习能力和模型选择能力，可以自动选择最接近的原型域模型进行再识别，无需监督或非监督域自适应学习。实验证明，该方法优于当前大多数监督和非监督方法。

    Oct, 2016

  • 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