令人沮丧地简单的人员再识别：在实践中推广人员再识别

May, 2019

令人沮丧地简单的人员再识别：在实践中推广人员再识别

Frustratingly Easy Person Re-Identification: Generalizing Person Re-ID in Practice

Jieru Jia, Qiuqi Ruan, Timothy M. Hospedales

TL;DR本研究提出了一种简单的基线框架以解决人员重识别方法在不同数据集间的领域偏移问题，通过实例规范化和特征规范化这两种方式软化两个数据集之间的领域偏移问题，并取得了显著的精度提升。

Abstract

Contemporary person re-identification (\reid) methods usually require access to data from the deployment camera network during training in order to perform well. This is because contemporary \reid{} models trained on one dataset do not generalise to other camera networks due to the dom

person re-identification domain generalization instance normalization feature normalization deep learning

发现论文，激发创造

通用人员再识别的样式归一化和还原技术

本文提出了一种用于人物 ReID 的通用框架，通过引入 Style Normalization and Restitution (SNR) 模块，通过实例规范化 (IN) 过滤样式变化 (如照明，颜色对比度), 并从中提取出具有区分能力的信息来保证高识别度. SNR 模块具有相对优秀的泛化性能，并且在多项人物 ReID 基准测试中，SNR 模块提供的模型明显优于其他领域泛化方法.

May, 2020

学习不变领域表示以实现可推广的人员复识别

本文提出一种基于因果分析的结构模型，利用该模型构建了一个新颖的领域不变表示学习框架，包括对身份特征和领域特征空间的分离，以及算法实现和实验验证。结果表明，该框架在大型领域泛化 ReID 基准测试中优于现有方法。

Mar, 2021

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

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

半监督域通用人物再识别

本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

Aug, 2021

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

建立跨领域人员再辨识强基线：最公平的它们

此研究针对跨领域的人物重识别问题，通过建立一个经过全面分析的大型基线数据集，以及通过在源域和目标域之间平衡选择数据来建立一个实用和强大的基线方法。

Jul, 2019

实用真实世界应用的人员重识别数据集和方法基准测试

本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

Dec, 2022

用于跨领域人员再识别的通用性度量网络

本文提出了一种基于 Generalizable Metric Network (GMN) 的 Person Re-identification (Re-ID) 方法，通过在测试阶段结合 Metric Network 和正、负样本对进行训练，使用 Dropout-based Perturbation (DP) 模块来丰富样本对的多样性，从而增强模型的泛化能力，并使用 Pair-Identity Center（PIC）Loss 来提高模型的区分能力以在多个基准数据集上验证所提出方法的有效性。

Jun, 2023

通用人物再识别的双分布对齐网络

本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

Jul, 2020