ICLRJan, 2020

互信均授：基于伪标签精炼的无监督领域自适应人员再识别

PDF
TL;DR该研究提出一种无监督的 Mutual Mean-Teaching (MMT) 框架，通过软标签精炼与三元组损失优化联合训练，从而在 Person Re-Identification 中实现了更好的特征表示与优秀的 unsupervised domain adaptation 性能。
发现论文，激发创造
  • 改进的互惠均值教学用于非监督领域自适应 Re-ID

    本文介绍了一种基于 SDA 和 MMT 框架的解决方案，通过域转换和伪标签改进的方法，在 ECCV 2020 的 VisDA Challenge 中获得了前几名的结果。

    Aug, 2020

  • 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

  • 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

  • 非对称协作式教学：用于无监督跨领域人员再识别

    本文介绍了一种基于深度学习和聚类算法的人物重识别方法，着重探讨了聚类方法引入噪声标签导致模型泛化能力不足的问题，并提出了一种异构共同教学的框架，用于过滤、清洗和重复样本的选择，以支持聚类方法的改进和模型的再训练，取得了不错的实验效果。

    Dec, 2019

  • 双重精炼：无监督域自适应人员再识别的标签和特征联合精炼

    提出了一种新的双重优化方法，名为 Dual-Refinement，通过离线聚类阶段和在线训练阶段联合优化伪标签和特征，以改善在无标签目标域中进行人员重新识别时噪声标签对特征辨别能力的影响，主要通过引入新的层次聚类和实时存储器扩散技术来实现。实验结果表明，该方法在准确性上优于现有技术。

    Dec, 2020

  • 利用样本不确定性进行领域自适应人员再识别

    本文提出了一种基于可靠程度估计和不确定度的无监督域适应 ReID 方法，用于削弱嘈杂标签的影响，提高准确性。实验表明，该方法在基准数据集上取得了最优结果。

    Dec, 2020

  • 探究基于概率不确定性的无监督域自适应人员再识别

    本文提出了一种名为概率不确定性引导的逐步标签精炼的方法，旨在解决无监督域自适应人员再识别中伪标签的噪音问题，通过探索逐步提升伪标签以及用概率建模伪标签不确定性等手段，最终在四个无监督域自适应人员再识别基准任务上实现了业界领先的表现。

    Dec, 2021

  • 面向域自适应的人员重识别中的群组感知标签传输

    提出了一种基于组的标签传递算法（GLT）来解决无监督域适应人物再识别问题，该算法同时使用伪标签来训练数据，并将伪标签作为在线聚类算法的优化传递。实验证明，该方法可将市场 1501 与 DukeMTMC 之间的 Gap 从 24.8％降至无监督和有监督之间的最低点，分别达到 82.0％和 92.2％的准确度。

    Mar, 2021

  • 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