Aug, 2019

半监督跨摄像机软标签学习的渐进式人员重识别

PDF
TL;DR该研究提出了一种新的渐近式跨摄像头软标签学习方法用于半监督人物重识别任务，该方法能够生成跨摄像头软标签和利用它们优化网络。在五个大规模基准数据集上进行的广泛实验表明，该方法明显优于使用标记源域或 GAN 模型生成的图像的最新无监督方法，并且甚至具有与深度监督人物重识别方法相当的性能。
semi-supervised learningperson re-identificationprogressive cross-camera soft-label learningnetwork optimizationweighted cross-entropy and triplet loss
发现论文，激发创造
  • 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

  • 基于摄像头内部相似性的伪标签细化方法，用于无监督人员重识别

    该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

    Apr, 2023

  • 无需跨摄像机成对样本的领域自适应人物再识别

    提出了一种新颖的领域自适应人员重识别方法，旨在通过无配对样本的监督实现跨摄像头的连续辨别特征学习，并利用跨摄像头相似样本解决跨区域行人身份匹配的挑战。

    Jul, 2023

  • 孤立摄像头监督的人员重新识别中实现摄像头内外不变性的学习

    在单独相机监督的设置下，通过构建样式一致的环境、在每个环境中进行原型对比学习以消除相机偏差和进行跨相机内外不变性设计，本研究提出的方法有效地解决了人员再识别中的关键问题，并在多个基准测试中进行了验证。

    Nov, 2023

  • 无监督个体再识别的摄像头内部 - 外部相似性

    本文提出一种基于 intra-inter camera 相似度的方法，生成更可靠的 pseudo-labels 用于训练 Re-ID 模型在多分支网络中，并在多个数据集上取得了 89.5% 的 rank-1 准确率，优于最新的无监督方法 9+%，同时与使用额外标注的最新迁移学习方法相当。

    Mar, 2021

  • 联合噪声容忍学习和元相机位移适应的无监督人员重识别

    本文提出了一种统一框架来解决无监督的人员再识别问题，旨在解决聚类产生的嘈杂标签和相机偏移引起的特征变化。该框架包括 Dynamic and Symmetric Cross-Entropy 损失和 MEtaCam 算法来实现相机不变特征，得到了比现有方法更好的无监督人员再识别和领域自适应无监督人员再识别性能。

    Mar, 2021

  • 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

  • 面向相机感知的无监督个体再识别标签优化

    我们介绍了一个减少相机差异的相机感知标签细化框架，通过聚类相机内的相似性进一步对齐特征分布并减少跨相机特征相似性计算中的性能退化问题。

    Mar, 2024

  • 针对非监督人员再识别的相机感知代理方法

    本文提出一种基于聚类的无监督人物重识别方法，该方法使用相机感知代理来处理大量的内部 ID 差异，并通过代理平衡采样策略和对比学习组件进一步优化模型，在三个大规模 Re-ID 数据集上得到了很好的表现。

    Dec, 2020

  • 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