AAAIJan, 2020

基于图像的目标再识别的不确定性感知多次拍摄知识蒸馏

PDF
TL;DR本文提出了一种基于多张同一对象照片的师生式学习的 Uncertainty-aware Multi-shot Teacher-Student (UMTS) 网络，该网络可用于车辆人员重识别（Vehicle re-id and Person re-id）任务，通过有效地将知识从 T-net 传递到 S-net，显著提高基于单张图像的 re-id 性能。S-net 性能优于基线模型并实现了最先进性能。
object re-identificationmulti-shotsteacher-student learningvehicle re-idperson re-id
发现论文，激发创造
  • 多视角知识蒸馏强鲁棒性再识别

    该研究旨在构建一种基于视角知识蒸馏（VKD）的模型，通过在 teacher-student 框架下将多种视角信息作为监督信号进行主动学习，从 Video-To-Video 到 Image-To-Video，显著提高了人、动物、车辆重识别的性能。

    Jul, 2020

  • 基于序列决策的多次拍摄行人重识别

    本文提出了一种基于可解释的强化学习的多拍行人复识别方法，通过两两验证图像并能够选择输出结果或继续验证，使得机器能够学习处理难度更大的图像组，同时在效率和准确性上表现优异。

    Dec, 2017

  • 无监督轨迹人员再识别

    本文提出了一种无监督的深度学习人物再识别方法 (UTAL), 通过联合学习内部相机移动轨迹的差异性和跨相机移动轨迹的关联性，能够从自动生成的人物运动轨迹数据中逐步发现和利用基础重识别差异性信息，实验结果表明该方法在八个基准数据集上优于当前最先进的无监督学习和领域自适应的人物再识别方法。

    Mar, 2019

  • 多目标跟踪中检测和 ReID 竞争的重新思考

    为了解决一次性追踪模型中的任务竞争问题，提出了一种具有自身关系和交叉关系设计的新型互惠网络（REN），并引入了一个尺度感知的注意网络（SAAN），将二者整合为一的强大的 MOT 跟踪器 CSTrack，可以在 MOT16，MOT17 ​​和 MOT20 数据集上获得最先进的性能，且高效运行于现代单个 GPU 上。

    Oct, 2020

  • 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

  • 多查询车辆重识别：视角条件网络，统一数据集和新指标

    该研究提出了一种名为多查询汽车 Re-ID 的更为现实和易于访问的任务，利用多个查询来克服单一查询的视角局限性，并设计了一种名为 VCNet 的新颖的视角条件网络来适应性地结合不同车辆视角的互补信息，以及一种用于恢复丢失视角的交叉视图特征恢复模块，并创建了一个统一基准数据集和一个新的评估指标以验证该方法的优越性和有效性。

    May, 2023

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018

  • 多目标多摄像头跟踪中的态势感知重新识别特征

    本文提出了一种新的多目标多摄像机跟踪框架，利用重识别模型，结合遮挡情况、目标朝向以及人体姿态信息，采用融合后的跟踪特征进行跟踪关联，有效地处理了目标识别和跟踪断点问题，并在多摄像机难度序列中取得了优秀的性能。

    Jun, 2019

  • 简单非监督多目标追踪

    通过引入基于排序的追踪标签生成和交叉熵损失的无监督重新识别网络解决注释成本高的问题，可在无需追踪监督的情况下提高多目标跟踪的性能，为跟踪领域开拓更加简单和有效的解决方案提供新思路。

    Jun, 2020

  • 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