Jul, 2019

建立跨领域人员再辨识强基线：最公平的它们

PDF
TL;DR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。
person re-identificationcross-domainsource domaintarget domainbaseline
发现论文，激发创造
  • 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

  • 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

  • EANet: 跨域人员再识别增强对齐

    本文提出了 Part Aligned Pooling (PAP) 和 Part Segmentation (PS) 约束来解决跨领域的人物再识别问题，并实现了有效的域自适应，实验表明，该模型在源域和跨域环境下都取得了最先进的性能。

    Dec, 2018

  • 令人沮丧地简单的人员再识别：在实践中推广人员再识别

    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。

    May, 2019

  • 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

  • 利用中间域连接源域和目标域，实现跨域人员重识别

    提出了一种跨领域人员重新识别的方法，包含中间领域模块和镜像生成模块以实现知识传递，相较于现有方法提出更好的跨领域识别效果。

    Mar, 2022

  • 从合成到真实：揭示合成数据在视频人物再识别中的威力

    该研究探讨了跨域视频人物再识别的新问题，以合成视频数据作为训练的源领域，并以真实世界视频作为测试，显著减少了对真实训练数据的依赖。研究首先提出了一种自监督领域不变特征学习策略来提高合成数据在视频人物再识别中的作用，并通过自监督一致性损失进一步改进了目标领域中的人物识别能力。在四个真实数据集上的实验结果验证了跨合成与真实领域适应的合理性以及我们方法的有效性。令人惊讶的是，在跨域设置中，合成数据的表现甚至优于真实数据。

    Feb, 2024

  • 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

  • 超越领域差距：利用主观性进行基于素描的人物检索

    通过引入大规模、多样式和跨样式三个基准，该研究提出了解决主观性挑战的方法，包括非局部融合模块和属性对齐模块，取得了在这些基准中的领先性能。

    Sep, 2023

  • 用于人员再识别的多任务深度神经网络

    本文提出了一种多任务深度网络并联考虑二分类和排名任务，结合交叉域架构训练以解决人员再识别问题，实验结果表明，该方法有效性显著优于现有算法。

    Jul, 2016