ICCVAug, 2019

基于相机内自监督的行人再识别：新的基准测试

PDF
TL;DR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。
person re-identificationintra-camera supervised learningmtmlmulti-label learningdeep learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 弱监督下的人员再识别

    本文提出使用弱监督学习解决行人 Re-identification 问题的挑战，将其转化为多示例多标记学习问题并提出了 CV-MIML 方法及基于深度神经网络的 Deep CV-MIML 模型，经过实验表明该方法在四个弱标记数据集上表现优异。

    Apr, 2019

  • 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

  • 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

  • 半监督跨摄像机软标签学习的渐进式人员重识别

    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。

    Aug, 2019

  • 人员再识别的单摄像头训练

    本文研究了单摄像机训练下的人物再识别，提出了一种新的损失函数 MCNL，利用概率来解决单摄像机下缺乏跨摄像机信息的问题，实验表明 MCNL 有效提升了 ReID 的准确率。

    Sep, 2019

  • 相机不变的元学习网络用于单相机训练的行人再识别

    提出使用单摄像头进行训练的人物再识别（SCT re-ID）方法，旨在在仅出现在一个摄像头中的 SCT 数据集上训练 re-ID 模型。引入 Camera-Invariant Meta-Learning Network（CIMN）来学习相机不变的特征表示，通过元学习策略进行跨摄像头模拟，以提高泛化能力并取得了比现有方法更好的性能。

    Jun, 2024

  • 基于多标签分类的无监督行人再识别

    本文提出了一种基于多标签分类和记忆机制的非参数分类器的无监督人物重新识别方法，通过相似度计算和循环一致性保证预测标签的质量，并提高了 ReID 性能。利用标记的人物图像在其他领域中进行迁移学习，在多个大规模 ReID 数据集上进行实验，证明了该方法的卓越性能。

    Apr, 2020