Aug, 2019

学习在记忆中调节对个体重新识别的不变性

PDF
TL;DR本文研究了人物重识别中的无监督域自适应问题，提出了一种基于样例、相邻和摄像机属性的不变性学习框架，并在三个重识别基准测试中取得了新的最佳结果。
unsupervised domain adaptationperson re-identificationinvariance learningexemplar memorygraph-based positive prediction
发现论文，激发创造
  • 不变性重要：示范记忆用于领域自适应人物再识别

    本文探讨了领域自适应人员再识别问题，并提出了相应的解决方案，通过引入范例内、摄像头内和邻域内不变量，结合样本存储器实现全局训练批次的不变量约束，得以有效应用于实际应用中。

    Apr, 2019

  • 全面记忆以实现自适应学习：多层级记忆无监督跨域人物重识别

    提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息，依赖于三个存储器模块，即部分级存储器、实例级存储器和域级存储器，来处理无监督跨域人员再识别任务，从而达到了竞争性的结果。

    Jan, 2020

  • 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

  • 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

  • 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

  • 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

  • 无监督人员重新识别的自适应探索

    本文提出了自适应探索 (AE) 方法，以解决针对个人再辨识（re-ID）的领域偏见问题。该方法利用特征记忆的非参数分类器，通过最大化所有人物图像之间的距离和最小化相似人物图像之间的距离，在目标领域对 re-ID 模型进行归纳。

    Jul, 2019

  • 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

  • 无监督个体再识别的判别式表示学习

    本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

    Aug, 2021

  • 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