人物可泛化再识别的增强难例挖掘
通过嵌入Fisher准则到岭回归模型中来有效地解决了现有的行人重识别模型中复杂性和不可适应性的问题,提出了一种真正可扩展的解决方案,支持更快的超越实时的模型更新和减少人工标注,性能优于现有的行人重识别方法。
Dec, 2016
该论文提出了一种基于无监督领域自适应的 person re-identification(Re-ID)网络模型,能够在没有外部监督数据的情况下,利用来自多个数据源的信息,提取出具有领域不变性的特征向量,并在实验中取得了比其他同类方法更好的效果。
Apr, 2018
本文提出了一种无监督人物再识别方法,使用虚拟和真实数据进行训练,产生虚拟数据作为有标记的训练数据,利用协作过滤技术进行正样本挖掘,通过迭代优化来训练模型,实验结果表明该方法在无监督人物再识别方面达到了最先进水平。
Nov, 2018
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
该研究提出了一种自训练的方法,使用渐进式增强框架(PAST)来不断提高模型在目标数据集上的表现,并在保守阶段和促进阶段之间交替进行三元组的损失优化,最终在无监督交叉领域设置下达到了最先进的人员重新识别绩效
Jul, 2019
该研究提出了一种用于领域自适应人物再识别的AD-Cluster技术,通过密度聚类、自适应样本增强、判别特征学习等方法,增强了目标域中的人物簇群,大大提升了再识别模型的区分能力。
Apr, 2020
本文提出了一种称为MetaBIN的框架,利用元学习模拟先前不成功的普遍化场景,将可学习的批次-实例标准化层与元学习相结合,以改善Re-ID领域中的泛化能力问题。
Nov, 2020
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
本研究提出了一种新的人员再辨识(re-id)框架——Batch Norm Test-time Adaption(BNTA),它使用自监督策略自适应地更新 Batch normalization(BN)参数,通过两个辅助任务:部分定位和最近邻匹配,挖掘与部分结构和身份相关的领域感知信息,并调节经过 BN 规范化的特征分布以适应目标域,从而在三个再识别数据集上证明了该方法的卓越性能。
Mar, 2022